SlimSnap؛ اسکرین‌شات رو به JSON تبدیل کن و به ایجنت ترمینالی بده
هوش مصنوعی
فرانتاندخلاصهٔ کامل‌تر
SlimSnap یه ابزار اسکرین‌شاته که خروجیش به جای عکس، JSONه. مشکلی که حلش می‌کنه اینه: ایجنت‌های کدنویسی ترمینالی مثل Claude Code، Aider و Codex CLI فایل می‌خونن و کد می‌نویسن، ولی ترمینال عکس قبول نمی‌کنه. پس هر وقت بخوای درباره‌ی یه مشکل UI حرف بزنی، باید یه پاراگراف بنویسی که اون صفحه چه شکلیه. SlimSnap اسکرین‌شات رو به متن ساختاریافته تبدیل می‌کنه که هرجا متن قبول میشه پیست بشه.
روالش ساده‌ست: با ⌘⇧S (یا Ctrl+Shift+S روی ویندوز) یه ناحیه رو انتخاب می‌کنی، با فلش و کادر توضیح چیزی که خرابه رو علامت می‌زنی و با یه کلیک JSON رو کپی می‌کنی. یه OCR داخلی (یعنی تشخیص متن از روی تصویر) همه‌ی برچسب‌ها، دکمه‌ها و پیغام‌های خطا رو می‌خونه. هر المان یه bounding box (یعنی کادر دور المان) با مختصات نرمال‌شده بین ۰ تا ۱ داره، پس ایجنت لازم نیست حدس بزنه چی کجاست.
نکته‌ی جالبش اینه که علامت‌گذاری‌ها هم فقط چندتا پیکسل قرمز نیستن. هر فلش به شکل یه «نیت» ساختاریافته خروجی می‌گیره که به یه المان مشخص اشاره می‌کنه. این تیکه از نمونه‌ی خود سایته که فلش به دکمه‌ی e4 یعنی Sign up اشاره می‌کنه:
"annotations": [
{ "id": "a1", "type": "arrow", "to": [0.67, 0.62],
"target_ref": "e4", "intent": "highlight" }
]برای صفحه‌های طولانی هم ⌘⇧L یه اسکرین‌شات اسکرولی می‌گیره و صفحه رو به چند فریم تقسیم می‌کنه، چون به گفته‌ی سازنده‌ها ابزارهای هوش مصنوعی عکس‌های خیلی بلند رو اون‌قدر کوچیک می‌کنن که متنش خونده نمی‌شه. خروجی یه JSON واحد برای کل صفحه‌ست.
ضبط و OCR کاملاً روی خود سیستم اجرا می‌شن و هیچ چیزی آپلود نمی‌شه، حساب کاربری هم نمی‌خواد. اسکیمای JSON با لایسنس MIT روی گیت‌هاب منتشر شده، یه skill برای Claude Code هم هست که آخرین فایل رو از پوشه‌ی ذخیره می‌خونه. خود اپ‌ها اما متن‌باز نیستن. سازنده‌ها خودشون می‌گن JSON برای کارهایی مثل «این المان مشخص رو درست کن» دقیق‌تره، ولی چیزهایی مثل گرادیان و حس کلی طراحی رو از دست می‌ده و برای اون‌ها بهتره خود عکس رو بفرستی.
نکات کلیدی:
- خروجی JSON شامل متن، نوع، رنگ و مختصات نرمال‌شده‌ی ۰ تا ۱ برای هر المانه
- با Claude Code، Aider، Codex CLI، Cursor و Continue.dev کار می‌کنه
- فقط برای مک (Apple Silicon) و ویندوز ۱۰/۱۱ هست و نسخه‌ی لینوکس فعلاً نداره
- OCR و ضبط لوکال اجرا می‌شن و چیزی آپلود نمی‌شه
- اسکیمای JSON و skill مربوط به Claude Code با MIT متن‌بازن ولی اپ‌ها بسته‌ان
- برای مسائل ظاهری و حس طراحی، فرستادن خود عکس هنوز بهتره
