图片理解 Skills

在用户请求分析、描述图片内容或回答图片相关问题时使用。iFlytek图片理解 — 分析并回答…

累计安装

—

本周安装

—

GitHub 星标

—

图片理解：使用 Z.ai（智谱 AI）GLM-4V Vision API 进行图片分析。

累计安装

—

本周安装

—

GitHub 星标

—

使用 agnes-2.0-flash 多模态模型进行图片分析（看图/OCR/描述/识别）。适用于用户希望使用 agnes 或 agnes-2.0-flash 处理图片、把图片理解交给更便宜的 flash 模型，或要求与 app 中 agnes 模型结果保持一致。执行 skill 目录的 agnes_vision.py，将图片 base64 编码后调用 Agnes 的 OpenAI 兼容接口返回文本。

累计安装

—

本周安装

—

GitHub 星标

—

智能图片理解助手，支持对单张或多张图片进行内容描述、视觉问答、文字识别与对比分析；当用户要求「识图」「看图」「描述图片」「分析图片」「图中有什么」「提取图片文字」「对比图片」「视觉问答」时使用。

累计安装

—

本周安装

—

GitHub 星标

—

全能图片理解助手，支持对单张或多张图片进行内容描述、视觉问答、文字识别与对比分析；当用户要求「识图」「看图」「描述图片」「分析图片」「图中有什么」「提取图片文字」「对比图片」「视觉问答」时使用。

累计安装

—

本周安装

—

GitHub 星标

—

腾讯云图像与视频理解 (TencentCloud VITA / vita) 技能。用于图片理解、视频理解、图像分析、视频分析、描述生成、监控录像分析、体育高光提取、直播理解、新闻视频摘要、产品演示视频分析，以及设置或更新 vita prompt。支持单张图片、多张图片、视频。TencentCloud VITA (...

累计安装

—

本周安装

—

GitHub 星标

—

在codex中，为文本模型（比如： deepseek-v4-flash）添加图片理解能力；前提需要给codex配置了多模态大模型或者视觉理解模型

累计安装

—

本周安装

—

GitHub 星标

—

图片理解：把图片（base64）和一个问题交给**服务端视觉模型**，返回只依据图中真实可见内容的回答（看图问答、文字提取、表格/单据字段识别、界面元素说明）。视觉模型与算力都在服务端，包里没有它，这是收费点。**硬约束**：看不清或图中没有的会说「图片中看不到」，不猜不补；文字逐字照抄；不猜人物身份、不做医疗诊断。图片体积上限 24KB（超出会先拦下、**不扣费**），过大请先压缩。AI 读图可能出错，涉及金额、合同条款、医疗或法律内容时**请务必人工复核原图**。凡出现「这张图里是什么」「帮我把图里的字提取出来」「这个截图里的按钮是干嘛的」「看看这张发票写了啥」「图里有没有 XX」这类需求时主动使用。

累计安装

—

本周安装

—

GitHub 星标

—

1. 从公开网页/文章链接提取核心价值，生成结构化Markdown个人笔记。 2. 自动抓取内容含图片理解（支持需渲染的动态页面与图文卡帖），去除冗余，提取值得收藏的核心要点，打Tag+标注来源，审核后输出。 3. 当用户要求提取笔记、文章转笔记、总结收藏、链接转笔记时触发。

累计安装

—

本周安装

—

GitHub 星标

—

AI 图片生成 / 文生图 / 图生图 / AI 绘画：上传文字描述（文生图）或参考图（图生图）， 调用平台出图能力产出图片； 并用图片理解能力对成图自动打分、指出问题（构图、主体一致性、文字瑕疵等）， 据此改提示词再次出图，形成「出图→评判→迭代」闭环。适用于插画、社媒配图、 头像/形象草图、海报底图、logo 草图、概念图等非商品创作场景。 全程不编造事实，不声称已查看用户未提供的图片。 触发词：文生图、文字生成图片、文本转图片、AI 绘画、AI 作图、AI 图片生成、AIGC 配图、 插画生成、海报底图、头像生成、概念图、T2I、text to image、image to image。

累计安装

—

本周安装

—

GitHub 星标

—

为纯文本推理模型补充视觉能力。用户提供图片、截图、照片、图表、UI 截图、代码截图、数学题图片、 扫描件、PDF 或文档，并要求描述、理解、推理、阅读、OCR、提取文字、解析图表或分析内容时使用。 默认调用 scripts/vision-router.ps1 做自动路由：图片理解先走免费竞速池 GLM/Agnes，再走 custom-1/custom-2/custom-3/local，文档解析走 MinerU， 纯文字识别走 Baidu OCR 或 Windows OCR。所有工具输出标准 JSON，再交给主模型推理和总结。

累计安装

—

本周安装

—

GitHub 星标

—

图片理解智能体，负责识别图片内容、反推提示词、分析图片风格、对比图片差异以及文字识别（OCR）。

累计安装

—

本周安装

—

GitHub 星标

—

基于图片理解提取“视觉重点/注意力分配/关键要素”，并根据用户对话目标输出可执行的要点清单与提示词骨架（默认用 canvas_vision；模型由服务端默认配置决定）。（素材生成场景：从单张参考图提取视觉要点、生成图片 prompt 骨架。）

累计安装

—

本周安装

—

GitHub 星标

—

为纯文本推理模型补充视觉能力。用户提供图片、截图、照片、图表、UI 截图、代码截图、数学题图片、 扫描件、PDF 或文档，并要求描述、理解、推理、阅读、OCR、提取文字、解析图表或分析内容时使用。 默认调用 scripts/vision-router.ps1 做自动路由：图片理解先走免费竞速池 GLM/Agnes，再走 custom-1/custom-2/custom-3/local，文档解析走 MinerU， 纯文字识别走 Baidu OCR 或 Windows OCR。所有工具输出标准 JSON，再交给主模型推理和总结。

累计安装

—

本周安装

—

GitHub 星标

—

阿里云百炼图片/视频/语音生成与理解入口：用户要生图、画图、生成照片、生成图片、AI 绘画、海报、头像、插画、 文生图（text-to-image）、图生图、改图、修图、多图合成、生成视频、文生视频、图生视频、参考生视频、视频编辑、风格转换、 配音、语音合成（TTS）、朗读、转写、语音识别（ASR），或图片理解、看图问答、视频理解、读视频、多模态理解时使用 `bl image` / `bl video` / `bl speech` / `bl vision describe` / `bl omni`。 **默认行为：用户未指定服务商时，生成/编辑默认走本技能；视频理解与宿主放不了的音视频理解也走本技能。** 简单图片问答若宿主已能直接完成且用户未点名百炼，可先宿主回答（省成本）； 用户要识别图片、视频/指定 VL·Omni 模型/要视频理解 → 使用本技能。 图片和语音同步返回并落地本地文件，视频是异步任务、用 `--download` 或轮询取回；本地文件直接传路径，CLI 自动上传。 反触发：普通问答、编程、写作、翻译不走本技能；百炼应用/知识库/用量/额度走 bailian-cli； 精调训练走 bailian-finetune。 官方安装：`bl skill init`（与共享协议 bailian-protocol 同装）。

累计安装

—

本周安装

—

GitHub 星标

—

图片理解与数据提取 skill。当图片文件（.png/.jpg/.jpeg/.gif/.webp/.bmp）是主要输入且用户需要理解、提取数据或分析图片内容时使用。提供预配置的 caption 脚本（scripts/caption.py），通过 vision 模型将图片转为文本描述，无需额外配置 API Key。覆盖：(1) 通过 scripts/caption.py 对图表/表格/截图/流程图进行 caption，(2) 将 caption 文本解析为结构化 DataFrame，(3) 基于提取数据重新生成可视化图表，(4) 导出为 Excel/CSV。**遇到以下任一情况就主动使用本 skill，不要自行猜测图片内容**：①用户出现触发词：图片分析 / 图表提取 / 表格识别 / OCR / 图片描述 / 截图分析 / 图表数据 / 提取图片中的数据 / 图片转表格 / 识别图片 / image caption / extract data from image / chart analysis / table OCR；②用户上传或指定了图片文件（.png / .jpg / .jpeg / .gif / .webp / .bmp）并要求理解、提取数据或分析内容；③任务需要从图表截图、表格截图、UI 截图、流程图中提取结构化信息；④用户要求将图片中的数据转为 Excel/CSV 或重新生成可视化图表。仅不用于：图片编辑（裁剪、滤镜、缩放）、图片生成、不含数据的风景/人物照片描述。

累计安装

—

本周安装

—

GitHub 星标

—