quark-qwen-vision — 夸克浏览器专用视觉 Skill

用夸克浏览器内置的千问（qwen-vl）模型看图，全程网页操作，零本地算力、零 API Key。 本机视觉方案：deepseek-eyes 的替代通道（无 Ollama 时走这个）。

前置条件（使用前必须确认）

1. 夸克浏览器以调试模式运行（推荐一键启动，自动查找夸克路径）：

   powershell -ExecutionPolicy Bypass -File "<skill 目录>\scripts\start-quark.ps1"

   该脚本自动：查找 quark.exe（常见目录 / PATH / 注册表）→ 若 9222 未监听则重启夸克 → 打开千问对话页。 手动方式（脚本找不到夸克时）：

   # 先关掉所有 quark 进程，再用本机夸克路径带调试端口启动：
   Get-Process quark -ErrorAction SilentlyContinue | Stop-Process -Force
   Start-Process '<本机夸克安装路径>\quark.exe' -ArgumentList '--remote-debugging-port=9222'
   # 已知机型：台式机 C:\Program Files\Quark\quark.exe（或 7.1.0.949 子目录）｜笔记本 C:\Users\<用户名>\AppData\Local\Programs\Quark\quark.exe

2. 千问对话页已打开：访问 https://p.quark.cn/pcquark-chat/sidebar（或点夸克 AI 侧边栏）。
   • 验证：http://127.0.0.1:9222/json/list 返回 200 且列表中存在 pcquark-chat 页面。

调用方式

node "<skill 目录>\scripts\qwen-vision.js" <图片路径> ["问题"]

示例（<skill 目录> 按本机实际替换，不写死任何机型路径）：

# 通用写法（skill 目录 = DSH 用户级 skills 根：<DSH_HOME>/skills 或 ~/.dsh/skills）
node "<skill 目录>\scripts\qwen-vision.js" "<图片路径>" "这张图是什么？反推提示词"

文生图（Qwen-Image 2.0）

千问对话原生支持文生图（Qwen-Image 2.0 模型），已封装 gen-image.js：

node "<skill 目录>\scripts\gen-image.js" "英文提示词" [输出目录]

• 流程：发送提示词 → 千问调用 Qwen-Image 2.0 生成 → 脚本自动轮询抓取图片 URL → 下载保存到输出目录（默认当前工作目录下 generated/）
• 千问会附带给出多条迭代建议（背景/构图/风格调整），可直接回传继续优化
• 实测：赛博朋克机械背包、新中式国学海报均生成成功（多张高清 + 预览图）

视频输入（不支持）

千问对话页仅接受图片输入——模拟粘贴 mp4 会被忽略（上传栏无反应）。视频分析需走 ffmpeg 抽帧后逐帧/拼图再喂给千问。

实战闭环（推荐工作流）

看图（qwen-vision.js）→ 反推提示词 → 千问优化 → 文生图（gen-image.js）/ 云端视频（RH 工作流）

脚本清单

工作原理（网页操作四步）

1. CDP 连接夸克千问对话页（p.quark.cn/pcquark-chat/sidebar）
2. 读取本地图片 → base64 → File → 构造 ClipboardEvent paste 模拟粘贴
3. 输入问题 → 点击 .submit-button 发送
4. 轮询页面文本直至回复稳定 → 输出千问回答

关键经验（踩坑记录）

• launcher 页不是对话页：chrome://ai-desktop-plugin/launcher/ 只是快速输入入口；真正的对话页是 https://p.quark.cn/pcquark-chat/sidebar，回复渲染在这里
• 发送按钮：.submit-button（输入文字后激活为 .submit-button.active）；模拟 Enter 键无效，必须点击按钮
• 图片上传：点 addButton 走 OS 原生文件对话框（CDP 无法操作）；正确姿势是模拟 paste 事件（ClipboardEvent + DataTransfer + File）
• 读取回复：轮询 document.body.innerText，连续 3-4 轮无变化视为回复完成
• 回复可能很长：输出截断至 8000 字符，必要时分段读

故障排查

关联

• 工具脚本目录：<skill 目录>\scripts\（cdp.js 客户端 / qwen-vision.js 看图 / gen-image.js 生图 / start-quark.ps1 启动器）
• 跨机器通用性：脚本不依赖任何绝对路径——ws 自动解析（Node ≥ 22 内置 WebSocket 或 ws 包）、夸克路径自动探测、生图输出默认当前目录 generated/
• 本机视觉备选：deepseek-eyes skill 的 openai 通道（需 DashScope Key，未配置）