看图识画 · 像素级图像视觉分析（pixel-image-vision）
让纯文本模型看懂图片。一个入口、两层能力：像素级分析引擎（必须/零 key）+
本地小视觉模型语义兜底（可选/自动探测）。调用方无需关心底层用哪个。
什么时候用 / 与内置能力的边界
| 场景 | 用什么 |
|---|---|
| 用户传图问"画面什么状态/黑不黑/冻结没" | 本 skill 像素引擎 |
| 用户传图问"主色调、各色占比、哪种颜色最多" | 本 skill 像素引擎 |
| 用户传图问"哪个按钮被选中 / 高亮 / UI 布局" | 本 skill 像素引擎 + 语义兜底 |
| 用户传图问"图中某个颜色物体在哪 / 有没有红点" | 本 skill 像素引擎 --task findcolor |
| 用户传图要"看懂内容并据此回答/操作" | 本 skill 先像素→再语义兜底 |
| 用户要提取图中文字（纯 OCR） | 专门的 OCR 技能，本 skill 不做 |
| 用户要生成/编辑图片 | 图片生成技能，本 skill 不做 |
> 说明：WorkBuddy 这类主模型常是纯文本（qwen2.5/DeepSeek），自己看不了像素。
> 本 skill 提供"眼睛"：先跑像素分析拿到结构化画面事实，再视情况用本地小视觉模型补语义。
两层能力（核心卖点）
| 层 | 引擎 | 触发 | 依赖 |
|---|---|---|---|
| 必选 | scripts/vision_analyzer.py（像素分析） |
任何图 | python3 + pillow/opencv/numpy，零 key |
| 可选 | scripts/vision_semantic.py（语义兜底） |
需"看懂内容"时 | 本机 Ollama 有 minicpm-v/llava 等视觉模型 |
- 像素层永远可用，不依赖任何外部服务或大模型，毫秒~秒级返回
- 语义层自动探测：本机有 Ollama 视觉模型就用它，探测不到则明确告知"仅像素可用"，不报错
和市面识图技能的区别（差异化）
SkillHub 现有 image-vision / image-understanding / glm-v-model / ghost-eye / vision-helper
等识图技能分两类，都有硬伤：
- 纯提示词型（如 image-vision）：只教 Agent 用宿主不存在的视觉能力，在纯文本模型环境无效；
- 云端 VLM 型（如 ghost-eye 用硅基流动、glm-v-model 用智谱、image-understanding 用 GLM-4.6V、
vision-analyzer 用 Kimi）：强制用户自带云端 API key，或本地拉几 GB 大模型。
本 skill 自带像素级分析引擎，把"黑屏/颜色占比/选中态/对象定位/复杂度"这些高频需求用
纯像素算法直接算出来，任何图片零 key、零预装即可得到结构化画面事实；语义理解只在探测到
本机已装的小视觉模型时才启用。这就是最大的差异化。
用法
所有脚本在 scripts/ 目录，用系统 python3（须已装 pillow/opencv-python/numpy）执行。
cd scripts/
# ① 一键全量分析（推荐先跑这个，拿到画面状态+主色+复杂度+高亮总览）
python vision_analyzer.py <图片路径>
# ② 只看主色占比（画面主色调各占百分之几）
python vision_analyzer.py <图> --task colors
# ③ 黑屏/白屏/暗画面 检测
python vision_analyzer.py <图> --task blackscreen
# ④ 是否冻结/卡死（亮度方差判定，需配合连续帧更准）
python vision_analyzer.py <图> --task frozen
# ⑤ 找指定颜色对象的位置（返回中心/包围盒/占比）
python vision_analyzer.py <图> --task findcolor --color "#FF0000" --tolerance 15
# ⑥ 高亮/选中态 UI 区域检测
python vision_analyzer.py <图> --task ui-selected
# ⑦ 画面复杂度（边缘密度）
python vision_analyzer.py <图> --task edges
# ⑧ 机器可读 JSON
python vision_analyzer.py <图> --task json
# ── 语义兜底（可选，探测本地 Ollama 视觉模型）──
python vision_semantic.py <图> --list # 看本机有哪些视觉模型
python vision_semantic.py <图> # 默认：描述画面内容
python vision_semantic.py <图> "这是什么游戏，人物在哪" # 自定义提问
> 图片传本地路径即可；若是远程 URL 先下载到本地再分析。图片过大时会自动下采样，
> 不影响颜色/状态/定位这类宏观判断。Windows 下请用系统 python3（本技能脚本依赖
> opencv-python，若默认 python 没装，先 pip install pillow opencv-python numpy）。
推荐的调用流程（Agent 如何组织一次"看图"）
- 拿到图片路径/已下载好本地
- 先跑
vision_analyzer.py <图>全量分析 → 得到画面状态、主色、复杂度、高亮区 - 若任务需要"看懂内容/识别对象/回答关于画面的问题"，再跑
vision_semantic.py <图> "<你的问题>"
- 若它提示"无可用视觉模型"，就用像素分析结果回答用户"只能做像素级分析" - 把像素事实 + 语义描述（如有）整合，用主模型语言组织给用户的回答
实现要点 / 已知边界
- 像素层全量
vision_analyzer.py <图>输出：尺寸 / 画面状态(黑屏·白屏·暗·灰度·正常) /
亮度·纯黑白占比·彩色占比 / 冻结提示 / 复杂度 / top 主色(名称+占比+条形) / 高亮区坐标 - 主色聚类用 OpenCV kmeans（下采样到 ~96px 提速），颜色命名走 HSV 色相，能给出"暗蓝""亮橙""淡绿"等
- 黑屏阈值：纯黑像素 >92% 判黑屏；纯白 >85% 判白屏；彩色占比 <4% 判灰度/低饱和
--task frozen单帧只能给亮度方差提示，严格"是否卡死"需传两张不同时刻截图对比，可用
--task findcolor+ 固定参照点两次跑做前后一致性判断- 语义兜底用 Ollama HTTP
/api/generate+ base64 图，不依赖 ollama python 库；仅需本机
ollama pull minicpm-v（~5GB）即可启用，数据不出本机 - 纯色/极少内容图 kmeans 可能输出占比很接近的多簇，属正常；视觉上可合并近似主色
