Hello Multimodal

HelloMultimodal

两个脚本均为 纯标准库，零外部依赖。

路由

消息含图片 → 优先主模型处理
             ├── 成功 → 完成
             └── 无法处理 → 使用此技能视觉理解

要求生图 → 使用此技能图片生成

视觉理解通过 scripts/vision.py 调用外部多模态视觉 API，图片生成通过 scripts/generate.py 调用外部生图 API。

配置 (config.json)

{
  "channels": [
    {
      "name": "My Vision Channel",
      "base_url": "https://api.example.com",
      "api_key": "sk-your-api-key",
      "model": "gpt-4o",
      "image_model": "gpt-image-2",
      "image_api_key": "",
      "image_base_url": "",
      "responses_model": "",
      "chat_model": "",
      "vision": true,
      "generate": true,
      "priority": 1
    }
  ],
  "defaults": {
    "max_tokens": 4096,
    "timeout_seconds": 300,
    "retry_count": 2
  }
}

| 字段 | 说明 | |------|------| | model | 视觉理解模型 | | image_model | 生图模型（不填回退 model） | | image_api_key | 生图 API key（不填回退 api_key） | | image_base_url | 生图 base URL（不填回退 base_url） | | api_format | openai（默认）/ anthropic / sd-webui | | vision: true | 可用于视觉理解 | | generate: true | 可用于图片生成 | | priority | 越小越优先，失败自动 fallback |

详细模板见 config.example.json。

工作流

> Windows 路径注意：bash 中反斜杠 \ 会被当作转义符吃掉。使用正斜杠 / 或单引号包裹：'C:/Users/xxx/img.png'。

视觉理解

# 单图分析（默认 stdout，不产生文件）
python scripts/vision.py --image ./screenshot.png --prompt "描述图片内容"

# 批量分析
python scripts/vision.py --image-dir ./pages/ --prompt "批量分析"

# 指定渠道
python scripts/vision.py --channel 2 --image ./img.png --prompt "..."

图片生成

# 基本文生图（输出到 ./output/ 目录）
python scripts/generate.py --prompt "施工质量评分雷达图" --output ./output/chart.png

# 参考图编辑/变体
python scripts/generate.py --prompt "turn into oil painting" --image ./sketch.png --output ./output/painting.png

# 生成多张 / 指定渠道 / 调试
python scripts/generate.py --prompt "fantasy monster concept" --count 3 --output ./output/monster.png
python scripts/generate.py --channel 2 --prompt "..." --output ./output/img.png
python scripts/generate.py --prompt "test" --dry-run

> 视觉理解默认输出 stdout，不创建文件。图片生成输出到 ./output/，不写入桌面或用户目录。

规则

• vision.py：按 priority 升序尝试渠道，失败自动下一个，不重试同一渠道
• generate.py：每个端点按 retry_count 重试后切换到下一个端点，再切换到下一个渠道
• 所有渠道失败后输出错误详情

Source & license

This open-source skill is cataloged on AgentStack and links to its original source — we do not rehost the code.

• Author: hellowind777
• Source: hellowind777/hello-multimodal
• License: Apache-2.0

Install and usage instructions live in the source repository linked above.