siliconflow-vision

图片识别与分析 Skill

工作流程

用户发图片 → 主模型直接调用 skill → skill 识别图片 → skill 输出详细结果 → 主模型分析+网络搜索 → 给出准确回答

核心原则（重要）

主模型必须遵守：

1. 必须调用 skill：用户发图片时，主模型必须调用此 skill
2. 禁止直接回答：不要用 OpenClaw 的 image 工具，不要跳过 skill
3. skill 只识别：skill 只做客观识别，不做分析解读
4. 主模型负责思考：分析、联想、回答由主模型完成

正确流程：

用户: [图片] 这个 meme 笑点在哪？

主模型: python scripts/analyze_image.py meme.jpg
       ↓
Skill 输出: 详细识别结果（文字+元素）
       ↓
主模型: 基于识别结果进行分析
       - 如果需要背景知识 → 网络搜索
       - 如果需要验证 → 网络搜索
       ↓
主模型回答: 结合事实的准确解析

错误示范：

❌ 直接调用 image 工具回答 ❌ 跳过 skill 自己猜测 ❌ skill 做过多分析解读 ❌ 不验证信息就回答

使用方式

脚本调用

# 基本用法（推荐）
python scripts/analyze_image.py /path/to/image.jpg

# 指定自定义问题
python scripts/analyze_image.py image.jpg -q "只提取文字"

# 智能模式（更精准，适合复杂图片）
python scripts/analyze_image.py meme.png -m smart

# 简短输出
python scripts/analyze_image.py screenshot.png -s

# 指定服务商
python scripts/analyze_image.py photo.jpg --provider openai

脚本参数

参数	说明	示例
image	图片路径或 URL	/path/to/image.jpg
-q, --question	自定义问题	-q "提取所有文字"
-m, --model	模型选择	-m smart
-s, --short	简短模式	-s
--provider	指定服务商	--provider openai
-c, --compress	压缩图片	-c

支持的服务商

服务商	默认模型	特点	配置键
SiliconFlow	deepseek-ai/deepseek-vl2	默认，快速稳定	siliconflow_api_key
OpenAI	gpt-4o	通用强大	openai_api_key
Anthropic	claude-sonnet-4	推理能力强	anthropic_api_key

模型选择

模式	模型	速度	适用场景
fast	deepseek-ai/deepseek-vl2	~5秒	默认，详细识别日常图片
smart	Qwen/Qwen2.5-VL-72B-Instruct	~2分钟	复杂图片、图表、需要精准分析
balanced	deepseek-ai/deepseek-vl 待测试	2-turbo	平衡速度与精度

配置说明

文件: config/default.json

{
  "provider": "siliconflow",
  "api_key": "sk-xxx",
  "model": "fast"
}

也可通过环境变量:

• SILICONFLOW_API_KEY
• OPENAI_API_KEY
• ANTHROPIC_API_KEY

Skill 输出格式（优化版）

当识别图片时，skill 会输出：

1. 图片类型：截图/表情包/聊天记录等
2. 清晰文字：完整提取所有文字
3. 画面元素：列出所有视觉元素
4. 整体布局：图片结构
5. 风格氛围：简约/搞笑/暗黑等
6. 其他细节：值得注意的元素

重要原则：

• 只做客观识别，不做分析解读
• 只做简单描述，不过度思考
• 文字必须完整准确
• 让主模型负责思考分析

错误处理

错误	解决方案
API key 失效	检查配置或环境变量
图片不存在	检查路径是否正确
超时	切换到 fast 模式重试
服务商不支持	切换到其他服务商

支持的图片类型

• 📸 截图：代码错误、聊天记录、网页
• 🎭 表情包/Meme：搞笑图片、网络梗图
• 📄 文档：表格、合同、发票、名片
• 📊 图表：数据可视化、流程图
• 🖼️ 照片：风景、产品、人物

优化历史

2026-02-04 优化：

• ✅ 修改默认提示词为详细识别模式
• ✅ 要求完整提取所有清晰文字
• ✅ 要求描述画面元素和布局
• ✅ 明确禁止 skill 做分析解读
• ✅ 强调主模型负责思考分析
• ✅ 强制主模型使用 skill（禁止用 image 工具）

2026-02-06 整合：

• ✅ 合并 image-understand 功能
• ✅ 支持多服务商（SiliconFlow、OpenAI、Anthropic）
• ✅ 支持多种图片格式
• ✅ 支持图片 URL 和本地路径