纯文本 Claude 也能”看”图了：localvision 让图片分析完全本地化

你有没有遇到过这种情况——想让 AI 帮你看一张截图、分析一张设计稿，但你的 Claude 或者 Codex 是个”盲人”，根本看不见图片？

以前唯一的解法是：掏钱买带视觉能力的模型，或者把图片往云端一传、祈祷数据别被滥用。但如果你用的是纯文本的 Codex CLI，或者公司政策不允许图片外传，这这条路就堵死了。

localvision 就是来解决这个问题的。

本地视觉：给盲人 LLM 长一双眼睛

localvision 是一个跑在本地的 MCP 服务器，背后是 llama.cpp。它不需要任何云服务，图片永远不会离开你的机器。纯文本的 Claude 或者 Codex 接上这个工具，就能”看见”了——读取截图、分析 UI、OCR 识别、图表转数据，统统在本地完成。

SkillsMP 上配套的 Skill 叫 image-reading，当你的 AI 需要处理任何图片时触发，自动路由到本地 VLM 工具。

11 个专用工具，覆盖真实工作流

这个 Skill 不是简单调一个通用模型，而是根据任务类型分发到专门的提示词上，效果比通用方案好 2-3 倍：

• read_document — 读 PDF 论文、报告、幻灯片
• extract_code — 从截图里提取代码（编辑器、终端、白板照片都行）
• extract_text — 逐字转录（收据、文档、路牌）
• extract_table — 从截图或表格图片里提取数据
• describe_ui — 描述 UI 截图、设计稿、App 界面
• describe_diagram — 架构图、流程图、ER 图（可输出 Mermaid）
• describe_chart — 图表可视化（可输出 CSV/JSON 原始数据）
• diagnose_error — 分析终端报错、堆栈信息
• image_to_prompt — 把图片转成文生图 prompt
• compare_images — 对比两张图（前后对比、视觉回归）

实测：一分钱不花的视觉能力

配置需要：GPU 8GB 以上显存（RTX 3060 12GB 够用），llama.cpp 编译好（CUDA 支持），一个视觉模型的 GGUF 文件（比如 Qwen3-VL-4B）。没有 API key，没有月费，没有数据外传。

llama-server 在空闲时会自动关闭，不占你的显卡。图片处理默认 200 DPI 渲染，扫描版 PDF 用 poppler 直接提取文字层，不走模型调用——又快又准。

适合谁用

如果你用 Codex CLI、DeepSeek 这类纯文本模型做开发，这个 Skill 能把图片相关的活也接进来——截图转代码、报错图分析、设计稿描述，一句话的事。

隐私敏感场景（医疗、金融、内部文档）尤其适合，图片不上云是企业合规的基本要求，localvision 从架构上就满足了这个需求。

GitHub：https://github.com/froggeric/llm

GitHub: https://github.com/froggeric/llm