Extrahiert präzise visuelle Details aus Bildern, transkribiert Audio/Video, konvertiert Dokumente in Markdown und generiert Bilder.
- GitHub Stars
- 126
- Dateien
- 9
- Letzter Commit
- 16. Mai 2026
- Lizenz
- MIT
- Erlaubte Tools
- —
Was macht der media-processor Skill?
Extrahiert präzise visuelle Details aus Bildern, transkribiert Audio/Video, konvertiert Dokumente in Markdown und generiert Bilder.
Zusammenfassung erzeugt aus der SKILL.md des Skills.
Über den media-processor skill
Das Extrahieren präziser visueller Details aus UI-Mockups oder dichten Screenshots ist das, was dieser Skill für Entwickler und Designer ermöglicht. Er bietet spezialisierte Tools, um exakte Hex-Farben, Abstände in Pixeln, Schriftgrößen und Komponenten-Hierarchien aus Bildern zu identifizieren. Wenn ein Agent ein User Interface gegen ein Design prüfen oder Screenshots auf visuelle Regressionen vergleichen muss, kann er diese Tools laden, um hochpräzise technische Spezifikationen zu erstellen.
Der Skill nutzt drei primäre Skripte im Verzeichnis scripts. Das Skript gemini_batch_process.py übernimmt die Bildanalyse, die Audio- und Video-Transkription sowie die Datenextraktion aus PDFs. Das Skript document_converter.py transformiert PDF-, DOCX-, XLSX- und PPTX-Dateien in das Markdown-Format. Für kreative Aufgaben ermöglicht image_gen.py die Bildgenerierung und -bearbeitung, was jedoch einen kostenpflichtigen Plan erfordert. Alle Operationen basieren auf einem GEMINI_API_KEY und können durch Model Overrides wie gemini-3.1-pro-preview für komplexe visuelle Aufgaben feinjustiert werden.
Was ein agent damit machen kann
- 1UI-Spezifikationen extrahierenFordere den Agenten auf, exakte Farben und Abstände aus einem Design-Mockup für die Implementierung zu identifizieren.
- 2Dokumente in Markdown konvertierenBeantrage die Konvertierung von komplexen PDF- oder Office-Dateien in strukturierten Markdown-Text.
- 3Visuelle Regressions-Audits durchführenLasse den Agenten einen Live-Screenshot mit einem Original-Design vergleichen, um Inkonsistenzen zu finden.
- 4Multimedia-Dateien transkribierenNutze das Tool, um Audio- oder Videoinhalte in geschriebenen Text umzuwandeln.
Geschrieben basierend auf dem SKILL.md des skills. Jeder use case wurde gegen ein zitat daraus geprüft.
So installierst du den media-processor Skill
Jeder Befehl kopiert den Skill-Ordner in das Skills-Verzeichnis des Clients. Starte den Client neu oder beginne eine neue Session, um ihn zu laden.Den media-processor Skill in Claude Code installieren
~/.claude/skills/media-processor/SKILL.md
$ npx degit avibebuilder/claude-prime/.claude/skills/media-processor ~/.claude/skills/media-processorDen media-processor Skill in Claude Code (project) installieren
.claude/skills/media-processor/SKILL.md
$ npx degit avibebuilder/claude-prime/.claude/skills/media-processor .claude/skills/media-processorDen media-processor Skill in Codex installieren
~/.agents/skills/media-processor/SKILL.md
$ npx degit avibebuilder/claude-prime/.claude/skills/media-processor ~/.agents/skills/media-processorDen media-processor Skill in Gemini CLI installieren
~/.gemini/skills/media-processor/SKILL.md
$ npx degit avibebuilder/claude-prime/.claude/skills/media-processor ~/.gemini/skills/media-processorDen media-processor Skill in Claude.ai installieren
npx degit avibebuilder/claude-prime/.claude/skills/media-processor media-processor && zip -r media-processor.zip media-processor # claude.ai → Customize → Skills → + → Create skill → Upload a skill → media-processor.zip
Automatisierte Checks
Geluften am 16. Nov. 2026Vollständiger Bericht →Hat unsere automatischen Prüfungen bestanden. Das ist kein Sicherheitsaudit: Lesen Sie die Skripte, bevor ein Agent sie ausführt. Wie die Checks funktionieren
- Source Repository verknüpft und erreichbaravibebuilder/claude-prime/.claude/skills/media-processor is public and reachablegithub.com/avibebuilder/claude-prime/tree/HEAD/.claude/skill ↗Bestanden
- Open Source Lizenz (OSI)MITspdx.org/licenses/MIT.html ↗Bestanden
- Commit oder Release im letzten JahrLast commit 2026-05-16github.com/avibebuilder/claude-prime/commits ↗Bestanden
- Keine Download-und-Ausführen-Muster oder Zugangsdatendiebstahl in Skripten3 scripts read; no download-and-run, remote eval, base64 execution or credential uploadBestanden
- Keine versteckten Anweisungen in SKILL.mdNo override phrases, safeguard switches, credential requests or hidden charactersgithub.com/avibebuilder/claude-prime/blob/HEAD/.claude/skill ↗Bestanden
- Vorab erlaubte Tools sind eingeschränktNo pre-approved tools; the agent asks before using onegithub.com/avibebuilder/claude-prime/blob/HEAD/.claude/skill ↗Bestanden
- SKILL.md folgt dem Agent-Skills-FormatValid name and description; says when to use it; 75 linesgithub.com/avibebuilder/claude-prime/blob/HEAD/.claude/skill ↗Bestanden
SKILL.md
Auf GitHub ansehenMedia Processor
Specialized tools for extracting precise visual details (exact colors, spacing, hierarchy), processing audio/video, and generating images.
Tools
All scripts live in scripts/ relative to this skill's directory. They auto-select the best model per task and handle retries, large file uploads, and error reporting.
| Script | Purpose |
|---|---|
gemini_batch_process.py |
Analyze images, transcribe audio/video, extract data from PDFs |
image_gen.py |
Generate and edit images (paid plan required) |
document_converter.py |
Convert PDF, DOCX, XLSX, PPTX to Markdown; extract page ranges and images |
Requires GEMINI_API_KEY in environment or .env in this skill's directory. Run any script with --help for setup details and available parameters.
Quick start — image analysis:
python <skill-dir>/scripts/gemini_batch_process.py \
--files <image-path> \
--task analyze \
--prompt "<tailored prompt>" \
--output <output-path>.md
Prompt Quality Matters
The prompt sent to the processing model is the single biggest factor in output quality. Tailor prompts to what the task actually needs — generic prompts produce generic results.
What makes a good analysis prompt:
- Ask for the specific details the task requires (hex colors, spacing in px, component hierarchy) rather than "describe this image"
- Structure the ask as a numbered list — the model mirrors the structure back, making output easy to parse
- Name the desired output format ("as a markdown table", "as JSON", "as a component tree")
- Include implementation context when relevant ("for React with Tailwind") so the model emphasizes useful details
Example prompt patterns:
UI implementation: "Extract component hierarchy, layout type, exact hex colors, typography (sizes/weights), spacing in px, interactive states, icons and decorative elements"
Chart data: "Extract chart type, axes with units, every data point with exact values, legend entries with colors. Output as a markdown table"
Design review: "Compare this screenshot against the design. Flag differences in spacing, colors, alignment, missing elements, and visual inconsistencies. Note exact values for each discrepancy"
Pasted Images
When a user pastes images in chat, they are auto-saved to:
$CLAUDE_DIR/image-cache/<current_session_id>/<image_number>.png
Use ls "$CLAUDE_DIR/image-cache/" to discover the session ID, then list its contents to find available images.
Model Overrides
Scripts auto-select models per task (see model-routing.md). Override with --model <model-id> when the default isn't enough — for example, --model gemini-3.1-pro-preview for complex visual analysis where the pro model catches more detail than flash.
References
| Reference | When to read |
|---|---|
| api-gotchas.md | Before using image generation, video processing, or raw API calls — prevents common failures |
| model-routing.md | When choosing or overriding the default model for a task |
| media-optimization.md | When files are too large to upload — ffmpeg compression recipes |
Gotchas
- Rate limits — scripts retry up to 3 times with backoff. If still rate-limited after retries, stop and ask the user to check their API key quota or provide a new key.
- Model IDs change — Google frequently rotates preview model IDs. If you get a 404, the model was likely superseded — check the models page for current IDs.
- Safety filters — the API may refuse some content. Report clearly to the user rather than retrying.
- Large files auto-upload — files >20MB automatically use the File API (2GB max, 48h retention). No action needed.
Dateien in diesem Skill
9media-processor Skill-Fragen
Wie installiere ich den media-processor Skill in Claude Code?
Führe npx degit avibebuilder/claude-prime/.claude/skills/media-processor ~/.claude/skills/media-processor aus. Claude Code lädt Skills aus ~/.claude/skills (alle Projekte) oder .claude/skills (ein Projekt) und nutzt einen Skill, wenn seine Beschreibung zur Aufgabe passt.
Welche Clients können den media-processor Skill nutzen?
Jeder Client, der das Agent Skills-Format liest: Claude Code, Codex, Gemini CLI und claude.ai (als ZIP hochladen). Skripte im Skill laufen nur dort, wo der Client Codeausführung erlaubt.
Was passiert, wenn ich versuche, eine sehr große Datei hochzuladen?
Dateien, die größer als 20MB sind, nutzen automatisch die File API, die bis zu 2GB unterstützt und Dateien für 48 Stunden speichert.
Wie konvertiere ich ein PDF oder DOCX in Markdown?
Nutze das Skript document_converter.py, das PDF-, DOCX-, XLSX- und PPTX-Dateien in Markdown konvertieren und Bilder oder Seitenbereiche extrahieren kann.