SlimSnap: Когато вашите CLI агенти най-накрая си отворят очи
Проблемът със скрийншотите в AI-подпомогнатото разработване
Ако ползваш CLI-базирани coding agents като Claude Code, Aider или Codex CLI, със сигурност си се сблъсквал с досадна бариера: тези инструменти са страхотни в четенето и писането на код, но изобщо не виждат твоя UI. Искаш ли да обясниш счупен бутон? Започваш да пишеш параграфи като "червеното съобщение за грешка в горния десен ъгъл на страницата за плащане." Твоят agent се напряга да си представи какво точно имаш предвид.
И тук идва SlimSnap — удобна macOS програмка, която превръща всеки скрийншот в структуриран JSON, който твоят CLI agent може директно да обработи.
Как работи: Засними, Анотирай, Изпрати
Работният процес е прекрасно прост:
Засними — Натисни ⌘⇧S, маркирай област от екрана. Използва нативни macOS API-та, така че не са нужни допълнителни зависимости.
Анотирай — Постави стрелки, пояснения и отметки директно върху скрийншота, за да покажеш точно какво трябва да се оправи.
Копирай като JSON — Едно кликче преобразува всичко в структуриран JSON, готов за поставяне в който и да е terminal agent.
JSON-ът, който излиза, е изненадващо богат. Съдържа timestamp-а на заснемане, име на приложението, размери на екрана и — най-важното — структуриран масив с открити елементи. Всеки елемент идва с тип (бутон, input, label), действително текстово съдържание и координати на bounding box в нормализиран формат 0-1.
Последното е от ключово значение. Когато твоят agent знае точната позиция на "третото поле за въвеждане в модала за настройки", той може да разсъждава прецизно какво да промени, вместо да гадае.
Защо е важно за работните процеси на разработчици
Точно тук SlimSnap наистина блести: ефективност по отношение на токените.
Когато поставиш суров скрийншот в уеб интерфейса на ChatGPT, API-то го downsample-ва и компресира. Но при CLI agents, които приемат изображения, пак се натъкваш на лимити — около 1,568 vision токена за типичен скрийншот при Sonnet модели, и до 4,784 при Opus 4.7/4.8.
JSON експортът на SlimSnap обикновено е между 600-800 токена. Това означава приблизително 55% по-малко токени на взаимодействие при Sonnet, и стига до 85% икономия при Opus модели. През дълги сесии за дебъгване или рефакторинг с десетки итерации, тези спестявания се натрупват бързо.
Повече токени в контекстовия прозорец означава повече място за действителен код, логове от грешки и разсъждения на агента. Бюджетът ти за контекст стига по-далеч.
Архитектура с фокус върху поверителността
Нещо, което оценявам: SlimSnap извършва целия OCR процесинг локално на твоя Mac. Заснемянията никога не напускат машината ти. Няма нужда от акаунт, няма сървър в уравнението. Ако работиш със чувствителни приложения или патентовани интерфейси, това има значение.
JSON схемата сама по себе си е отворена (MIT лиценз) и публикувана в GitHub. Можеш да валидираш срещу нея, да пишеш собствени експортери или дори ръчно да създаваш валиден JSON, ако искаш да интегрираш с други OCR pipeline-и.
Skill-ът за Claude Code
За потребителите на Claude Code конкретно, SlimSnap предлага skill, който автоматично засича твоите заснемяния. Записва малък конфигурационен файл в ~/.slimsnap/config.json със твоите предпочитания за запазване, а skill-ът го чете, за да зареди последния JSON в контекста на агента. Безпроблемна интеграция без ръчно търсене на файлове.
Когато JSON побеждава пикселите
Ето честният компромис: за работа на ниво елементи — оправяне на конкретни бутони, актуализиране на полета от форми, нагласяне на layout проблеми — JSON е обективно по-добрият избор. Твоят agent получава прецизни координати и извлечен текст вместо да тълкува пиксели.
Но за "проверки на настроението" — изглежда ли дизайнът хармонично? Работи ли цветовата палитра? — може би все пак искаш да поставиш суровото изображение. Нищо не те спира да пратиш и двете: JSON-а за прецизно насочване, изображението за естетически разсъждения.
Финалният ред
SlimSnap решава конкретен, но реален проблем в работния процес на AI-подпомогнатото разработване. Ако си задълбочено в CLI-базирани agents и често се налага да обсъждаш интерфейси, си струва да го добавиш в инструментариума си. Спестяванията от токени сами по себе си оправдават настройката, а локалната обработка означава нула притеснения за поверителност.
Засега само за macOS, но тъй като схемата е отворена, е въпрос на време някой да построи съвместими експортери за други платформи.
Разгледай го на slimsnap.ai — печалбите в продуктивността при сесии за дебъгване с тежък UI могат да са значителни.
Уморен от описанието на интерфейси с параграфи? Понякога най-добрият инструмент е този, който превежда това, което виждаш, на това, което твоят agent разбира.