Browse

dsh-multimodal-skill

通过三方多模态 API 为纯文本 LLM 提供图像理解与文档理解能力（OCR、表格、公式、 版面解析、PDF/扫描件→Markdown、截图/照片/图表问答）。使用场景：用户粘贴或给出 图片/PDF 路径时解读内容、从文档提取文字与表格、对截图提问、发票/论文/票据解析。 触发词：图片理解、OCR、文档解析、截图内容、PDF 提取、表格识别、公式识别、票据识别、 扫描件、image、vision。实现为 Python 标准库 CLI（urllib/json/base64），零三方依赖。