Vision Skill — 图片识别能力

你的底层模型不具备原生识图能力。当用户发送图片或需要分析图片内容时，使用本 skill 调用外部 vision API 进行图片识别。

触发场景

• 用户分享图片路径（本地或网络 URL）
• 消息中出现 "Saved attachments:" 并列出图片
• 用户要求分析、描述、识别图片内容
• 用户粘贴图片或提供图片 URL

识别流程

当遇到图片时，按以下步骤操作：

步骤 1：识别图片来源

本地文件：用户提供了本地图片路径，如 C:\Users\xxx\image.png 网络 URL：用户提供了图片链接，如 https://example.com/image.jpg 直接发送：用户直接在对话中粘贴了图片（会有 "Saved attachments:" 标记）

步骤 2：调用 vision.js

使用 Bash 工具执行 Node.js 脚本。首先定位脚本路径：

脚本标准路径：~/.claude/skills/vision/scripts/vision.js

如果脚本不在标准位置，向用户询问 vision.js 的实际路径，或者在当前项目目录查找。

调用命令：

# 本地图片
node "~/.claude/skills/vision/scripts/vision.js" "<图片路径>" "请用中文详细描述这张图片的内容"

# 网络图片
node "~/.claude/skills/vision/scripts/vision.js" --url "<图片URL>" "请用中文详细描述这张图片的内容"

参数说明：

• <图片路径>：本地图片的绝对路径（如果路径有空格记得加引号）
• --url：网络图片直接传 URL
• 提示词可以根据用户需求调整

步骤 3：返回结果

vision.js 会返回图片的文本描述，直接将结果展示给用户。

vision.js 配置

首次使用时，确认以下配置：

1. API Key：检查 scripts/vision.js 中的 DASHSCOPE_API_KEY 或设置环境变量
2. 模型名称：检查 VISION_MODEL 配置（默认 qwen-vl-max）
3. API 地址：如使用非千问服务，修改 DASHSCOPE_BASE_URL

推荐配置

| 服务 | 模型 | API Key 获取 | |------|------|-------------| | 阿里云百炼（推荐） | qwen-vl-max 或 qwen3.5-omni-plus | https://bailian.console.aliyun.com/ | | OpenAI | gpt-4o-mini | https://platform.openai.com/ |

注意事项

• 不要用 Read 工具读取图片：Read 工具无法获取图片内容
• 逐张处理：多张图片时依次调用 vision.js
• 等待结果：必须等 vision.js 返回结果后再回复用户
• 错误处理：如果 vision.js 失败，检查 API Key 和网络连接