SlimSnap: Endlich Augen für CLI-Agents
Das Screenshot-Problem bei KI-gestützter Entwicklung
Wer regelmäßig mit CLI-basierten Coding-Agents wie Claude Code, Aider oder Codex CLI arbeitet, kennt das Dilemma: Diese Tools sind fantastisch darin, Code zu lesen und zu schreiben – aber sie können einfach nicht sehen, was auf dem Bildschirm passiert. Wenn ein Button nicht funktioniert, steht man plötzlich vor der Aufgabe, ganze Absätze zu tippen: „Die rote Fehlermeldung oben rechts auf der Checkout-Seite." Der Agent squintet dann in deine Worte hinein und versucht sich vorzustellen, was du wohl gemeint haben könntest.
Hier kommt SlimSnap ins Spiel – ein cleveres macOS-Tool, das beliebige Screenshots in strukturiertes JSON verwandelt, das dein CLI-Agent direkt verarbeiten kann.
So funktioniert's: Aufnehmen, Markieren, Abgeben
Der Workflow ist erfreulich unkompliziert:
Aufnehmen – ⌘⇧S drücken und einen Bereich auf dem Bildschirm auswählen. SlimSnap nutzt native macOS APIs, keine zusätzlichen Abhängigkeiten.
Markieren – Pfeile, Hinweise und Hervorhebungen direkt auf den Screenshot setzen, um genau zu zeigen, was repariert werden muss.
Als JSON kopieren – Ein Klick wandelt alles in strukturiertes JSON um, bereit zum Einfügen in jeden Terminal-Agent.
Die JSON-Ausgabe ist überraschend detailliert. Sie enthält den Zeitstempel der Aufnahme, den App-Namen, die Bildschirmabmessungen und – am wichtigsten – ein strukturiertes Array mit erkannten Elementen. Jedes Element bringt seinen Typ mit (Button, Input, Label), den tatsächlichen Textinhalt und Bounding-Box-Koordinaten im normalisierten 0-1-Format.
Letzteres ist entscheidend. Wenn dein Agent die exakte Position von „dem dritten Eingabefeld im Einstellungen-Dialog" kennt, kann er präzise überlegen, was zu ändern ist – statt zu raten.
Warum das für Developer-Workflows relevant ist
Hier zeigt SlimSnap seine wahre Stärke: Token-Effizienz.
Wenn du einen rohen Screenshot in ChatGPTs Web-Interface einfügst, downsampled und komprimiert die API das Bild. Aber bei CLI-Agents, die Bilder akzeptieren, stößt du trotzdem an API-Limits – etwa 1.568 Vision-Tokens für einen typischen Screenshot bei Sonnet-Modellen, und bis zu 4.784 bei Opus 4.7/4.8.
SlimSnaps JSON-Export landet typischerweise zwischen 600 und 800 Tokens. Das sind roughly 55% weniger Tokens pro Interaktion bei Sonnet, und bis zu 85% Ersparnis bei Opus-Modellen. Über eine längere Debugging- oder Refactoring-Session mit dutzenden Iterationen summieren sich diese Einsparungen schnell.
Mehr verfügbare Tokens in deinem Context Window bedeuten mehr Platz für eigentlichen Code, Fehlerprotokolle und Agent-Reasoning. Dein Context-Budget reicht deutlich weiter.
Privacy-First-Architektur
Ein Punkt, den ich sehr schätze: SlimSnap verarbeitet alle OCR lokal auf deinem Mac. Aufnahmen verlassen niemals deine Maschine. Kein Account nötig, kein Server im Hintergrund. Wenn du mit sensiblen Anwendungen oder proprietären Interfaces arbeitest, ist das ein echtes Argument.
Das JSON-Schema selbst ist offen (MIT-Lizenz) und auf GitHub veröffentlicht. Du kannst damit validieren, eigene Exporter schreiben oder sogar valides JSON von Hand craften, falls du mit anderen OCR-Pipelines integrieren möchtest.
Das Claude Code Skill
Für Claude Code-Nutzer bietet SlimSnap ein dediziertes Skill, das Aufnahmen automatisch erkennt. Es schreibt eine kleine Konfigurationsdatei nach ~/.slimsnap/config.json mit deinen Speicherpräferenzen, und der Skill liest diese aus, um das aktuelle JSON in den Context deines Agents zu laden. Nahtlose Integration ohne manuelles Dateisuchen.
Wann JSON besser ist als Pixel
Hier die ehrliche Abwägung: Für Element-basiertes Arbeiten – spezifische Buttons reparieren, Formularfelder aktualisieren, Layout-Probleme beheben – ist JSON objektiv besser. Dein Agent erhält präzise Koordinaten und extrahierten Text, statt Pixel interpretieren zu müssen.
Aber für „Vibe Checks" – wirkt das Design zusammenhängend? Funktioniert die Farbpalette? – möchtest du vielleicht trotzdem das Originalbild einfügen. Nichts hindert dich daran, beides zu schicken: das JSON für präzises Targeting, das Bild für ästhetische Bewertungen.
Das Fazit
SlimSnap löst ein spezifisches, aber reales Problem im KI-gestützten Entwicklungsworkflow. Wenn du intensiv mit CLI-basierten Agents arbeitest und regelmäßig UIs besprechen musst, lohnt sich der Eintrag in dein Toolkit. Die Token-Ersparnis allein rechtfertigt bereits die Einrichtung, und die lokale Verarbeitung bedeutet null Privacy-Bedenken.
Aktuell leider nur für macOS verfügbar – aber da das Schema offen ist, dürfte es nur eine Frage der Zeit sein, bis jemand kompatible Exporter für andere Plattformen baut.
Schau's dir an unter slimsnap.ai – die Produktivitätsgewinne bei UI-lastigen Debugging-Sessions könnten substantial sein.
Kein Bock mehr, UIs in Paragraphen zu beschreiben? Manchmal ist das beste Tool dasjenige, das übersetzt, was du siehst, in das, was dein Agent versteht.