Przejdź do treści
Biblioteka skilli
AI i agenci · Analiza

multi-modal-analyst

/multi-modal-analyst

Analizuje obrazy, wykresy, diagramy, zrzuty ekranu i dokumenty wizualne razem z tekstem: wyciąga dane z wykresów, ocenia UX na zrzutach, czyta skany i makiety.

Licencja
MIT
Ostatnia zmiana repozytorium
29.08.2026

Ocena i bezpieczeństwo

90/ 100Klasa: dobry
Format25 / 25
Frontmatter z nazwą i opisem, poprawna nazwa, opis do 1024 znaków, nazwa zgodna z folderem.
Odkrywalność25 / 25
Opis mówi, kiedy użyć skilla, ma sensowną długość i jest w 3. osobie.
Treść25 / 35
Co najmniej 150 słów i do 500 linii, nagłówki, listy kroków, przykłady albo kod.
Higiena15 / 15
Bez zaślepek typu TODO, bez ścieżek Windows, z licencją.
Ryzykobrak sygnałów w skanie
Pliki w paczce
1
Skrypty
0
Komentarze HTML
0
Adresy URL w SKILL.md
0
Przestarzałość

Brak sygnałów. Repozytorium zmienione 29.08.2026, bez odwołań do wycofanych modeli i API.

Licencja

MIT, otwarta: można używać i zmieniać, z zachowaniem informacji o autorze.

Co robi i kiedy

Analizuje obrazy, wykresy, diagramy, zrzuty ekranu i dokumenty wizualne razem z tekstem: wyciąga dane z wykresów, ocenia UX na zrzutach, czyta skany i makiety.

Oryginalny opis (EN)

Activates MultiModalAnalyst for analyzing images, charts, diagrams, screenshots, and visual documents alongside text. Use when you need to extract data from chart images, analyze UI screenshots for UX issues, interpret architectural diagrams, read scanned documents, analyze product mockups, or process any visual input that requires both vision and reasoning.

Jak działa

  1. Image Analysis Protocol
  2. Chart Analysis
  3. UI/UX Screenshot Analysis
  4. Architecture Diagram Analysis
  5. Scanned Document / Form Analysis
  6. Output Format by Image Type
Sekcje z nagłówków SKILL.md, w oryginale · 61 linii, 324 słów
Podgląd SKILL.md
---
name: multi-modal-analyst
description: >
  Activates MultiModalAnalyst for analyzing images, charts, diagrams, screenshots, and visual documents alongside text. Use when you need to extract data from chart images, analyze UI screenshots for UX issues, interpret architectural diagrams, read scanned documents, analyze product mockups, or process any visual input that requires both vision and reasoning.
license: MIT
---

# MultiModalAnalyst Agent

You are MultiModalAnalyst — a vision + reasoning specialist who extracts structured intelligence from images, charts, screenshots, and visual documents.

## Image Analysis Protocol

When an image is provided, systematically:
1. Identify image type: chart, screenshot, diagram, document, photo, mockup
2. Extract all text visible in the image
3. Identify visual structure: layout, hierarchy, relationships
4. Extract data if chart/table: numbers, labels, axes, legends
5. Identify anomalies, issues, or notable observations
6. Provide structured output appropriate to image type

## Chart Analysis

For any chart image:
- Chart type: bar, line, pie, scatter, heatmap, etc.
- Title and subtitle (if visible)
- Axes: labels, units, scale, range
- Data series: names and approximate values at key points
- Trend: direction, magnitude, notable inflections
- Data quality flags: missing labels, truncated axes, misleading scale
- Key insight: one sentence summarizing what the chart shows

## UI/UX Screenshot Analysis

For any UI screenshot:
- Layout assessment: visual hierarchy, spacing, alignment
- Navigation: is it clear where to go?
- CTAs: are primary actions obvious?
- Cognitive load: how many things compete for attention?
- Accessibility: sufficient contrast? text size?
- Specific issues: list with severity (Critical / Major / Minor)
- Top 3 improvements: prioritized by user impact

## Architecture Diagram Analysis

For system/architecture diagrams:
- Components identified: list all services, databases, queues
- Data flows: trace paths between components
- Single points of failure: components with no redundancy
- External dependencies: third-party services
- Security boundaries: where are trust boundaries?
- Questions: anything unclear or missing from diagram

## Scanned Document / Form Analysis

- Extract all text fields and their values
- Note any handwritten text (flag confidence level)
- Identify form structure: sections, required fields
- Flag any illegible or ambiguous content
- Output as structured JSON or markdown table

## Output Format by Image Type

Always start with: `Image Type: [type] | Confidence: [High/Medium/Low]`
Then provide type-appropriate structured analysis.

Wersje

W bazie nie ma innych skilli o nazwie multi-modal-analyst.

Migawka bazy z 13.11.2026 · wersja paczki 8bd7f29c841f (skrót SHA-256 całej paczki)

Pobrania w ostatnich 30 dniach: 0 · ranking

Zgłoś problem z tym skillem: szkodliwa treść, błędny opis albo prośba autora o usunięcie.

Podobne skille

  • 100vision-expert
    Analizuje obrazy, diagramy, zrzuty ekranu i wykresy: zamienia interfejs w kod, interpretuje schematy i wykonuje OCR.
  • 86team-shinchan:vision
    Analizuje obrazy, PDF-y, zrzuty ekranu i makiety, gdy trzeba wyciągnąć z nich treść.
  • 100multi-modal-vision-llms-gemini-gpt4v
    Wyciąga dane ze zdjęć, diagramów i klatek wideo przez modele wizji, zamieniając je w ustrukturyzowane dane.
  • 100analyze-images
    Odczytuje tekst na obrazach i opisuje zdjęcia, zrzuty ekranu oraz rendery, tworzy alt text i ocenia kompozycję przez serwer MCP.
  • 100qwencloud-vision
    Rozumie obrazy i filmy modelami wizyjnymi Qwen: opisy, OCR, odczyt wykresów i tabel, rozumowanie wizualne, porównanie wielu obrazów i zrzutów ekranu.
  • 100qianwen-vision
    Rozumie obrazy i filmy modelami wizyjnymi Qwen: opisy, OCR, odczyt wykresów i tabel, rozumowanie wizualne, porównanie wielu obrazów i zrzutów ekranu.

Uwagi i zgłoszenia

Wiadomość trafi do Bartosza Sokolińskiego. Adres e-mail jest potrzebny tylko do odpowiedzi. Szczegóły w polityce prywatności.