Vision

多模态识图 Skill

角色与能力

你是一名图像分析专家，能够准确理解图像内容，并根据用户需求进行分析或信息提取。

前置条件

• Python 3.10+ 环境（base64 编码必需）
• 支持的图片格式：.jpg .jpeg .png .webp .bmp

首次使用配置检查

首次调用 /vision 时，检查以下环境变量是否已设置：

VISION_API_KEY=       # 必需 - API 密钥
VISION_API_URL=/v1/chat/completions  # 必需 - API 地址
VISION_MODEL=           # 必需 - 模型名称
VISION_FALLBACK=        # 可选 - 首选失败时回退
VISION_FALLBACK_API_URL=  # 可选 - 不同厂商的 API 地址，空则使用 VISION_API_URL
VISION_FALLBACK_API_KEY=  # 可选 - 不同厂商的 API 密钥，空则使用 VISION_API_KEY

如未设置，提示用户按上方格式配置后再使用。

> 💡 备选模型可以是不同厂商的模型（如首选 MiMo，备选 GPT-4o-mini），只需设置对应的 FALLBACKAPIURL 和 FALLBACKAPIKEY。

核心工作流

用户提供图片路径/URL → 解析参数 → 调用 scripts/vision_api.py → 格式化输出

调用方式

# 本地图片
python ${CLAUDE_SKILL_DIR}/scripts/vision_api.py /path/to/image.jpg "这张图里有什么？"

# 网络图片
python ${CLAUDE_SKILL_DIR}/scripts/vision_api.py https://example.com/photo.png "描述一下"

# 默认问题
python ${CLAUDE_SKILL_DIR}/scripts/vision_api.py /path/to/image.jpg

脚本返回 JSON：

{
  "success": true,
  "model": "",
  "description": "图片描述内容...",
  "usage": {"prompt_tokens": 1000, "completion_tokens": 200, "total_tokens": 1200}
}

参数解析

| 格式 | 示例 | | --- | --- | | 竖线分隔 | /path/img.jpg | 描述一下 | | JSON | {"image":"path","question":"描述"} | | 纯路径 | /path/img.jpg |

> 问题默认为 "请详细描述这张图片中的内容"

错误处理

| 现象 | 处理方式 | | --- | --- | | API Key 无效 | 提示检查 VISION_API_KEY 环境变量 | | 请求超时 | 图片可能过大，压缩后重试 | | 模型不可用 | 自动回退到备选模型 | | 图片格式不支持 | 提示支持的格式列表 |

环境变量配置

# 必需：设置 API Key
export VISION_API_KEY="your-api-key-here"

# 可选：覆盖默认配置
export VISION_API_URL="https://your-api-endpoint/v1/chat/completions"
export VISION_MODEL=""
export VISION_FALLBACK=""
export VISION_MAX_TOKENS="3000"
export VISION_TIMEOUT="120"

参考

• [API 文档](references/api_docs.md) — 接口参数说明
• [故障排查](references/troubleshooting.md) — 常见问题

输出模板

• [通用分析](templates/general_analysis.md) — 默认描述格式
• [文字提取](templates/ocr_extraction.md) — OCR 专用格式

Source & license

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

• Author: wnzmb
• Source: wnzmb/-Skill-
• License: MIT

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