图片分析与识别

支持智谱 GLM-4V 和千问 Qwen-VL 两种视觉模型。

当主模型无法直接查看图片、需要独立视觉模型复核，或需要专门的 OCR 时使用此技能。多模态主模型已经能直接看到附件时，不要重复调用。

配置

编辑 skills/image-analysis/scripts/config.json：

{
  "default_model": "zhipu",
  "zhipu": {
    "api_key": "your-zhipu-api-key",
    "model": "glm-4.6v-flash"
  },
  "qwen": {
    "api_key": "your-qwen-api-key",
    "model": "qwen3-vl-plus"
  }
}

API Key 获取：

• 智谱（免费）：https://open.bigmodel.cn/
• 千问：https://help.aliyun.com/zh/model-studio/get-api-key

命令行调用

# 分析本地图片（最常用）
python3 skills/image-analysis/scripts/vision.py analyze --image 图片路径 --prompt "描述图片内容"

# 分析网络图片
python3 skills/image-analysis/scripts/vision.py analyze --image https://example.com/image.jpg --prompt "描述图片"

# 多图对比
python3 skills/image-analysis/scripts/vision.py analyze --image img1.jpg --image img2.jpg --prompt "对比差异"

# 指定模型
python3 skills/image-analysis/scripts/vision.py analyze --image image.jpg --prompt "描述图片" --model qwen

# 开启思考模式（仅智谱，提升准确度）
python3 skills/image-analysis/scripts/vision.py analyze --image image.jpg --prompt "详细分析" --thinking

# 视频分析
python3 skills/image-analysis/scripts/vision.py analyze --video video.mp4 --prompt "总结视频内容"

# JSON 输出
python3 skills/image-analysis/scripts/vision.py analyze --image image.jpg --prompt "描述图片" --json

AI 调用场景

用户发送图片后，系统下载到本地（如 data/temp/images/xxx.jpg）：

# 图片描述
python3 skills/image-analysis/scripts/vision.py analyze --image data/temp/images/xxx.jpg --prompt "描述这张图片的内容"

# OCR 识别
python3 skills/image-analysis/scripts/vision.py analyze --image data/temp/images/xxx.jpg --prompt "提取图片中的所有文字信息"

# 物体定位（开启思考模式）
python3 skills/image-analysis/scripts/vision.py analyze --image data/temp/images/xxx.jpg --prompt "找出物体位置，返回坐标" --thinking

模型选择

场景	推荐
简单描述	任意
复杂推理、物体定位	智谱 + --thinking
高精度识别、文档解析	千问
成本敏感	智谱（免费）

注意事项

• 本地图片自动转 Base64，支持 jpg/png/gif/webp/bmp
• 智谱图片限制 5M