Analyze an image with Dashscope (Qwen) Vision models to describe its contents, extract text with OCR (text recognition), identify objects, or answer visual questions. Results can help interpret photos, charts, and documents.
中文简介正在准备中。当前显示英语简介。
Analyze images using Dashscope (Qwen) Vision models for detailed description, OCR text extraction, object recognition, and visual Q&A. Use when the user needs to understand image content via Alibaba Cloud Dashscope API, especially for Chinese-language image analysis and documents.
实测评分 未实测
查看安装方法安装前可以查看交给 AI 代理的指令内容。
使用 Dashscope（通义千问） 视觉模型分析图片，支持详细描述、OCR文字提取、物体识别和图片问答。
图片理解技能是一个强大的视觉分析工具，通过调用 Dashscope（阿里云通义千问）的视觉大模型（qwen-vl-plus、qwen-vl-max），让 AI 能够理解和分析图像内容。
核心功能：
pip install requests
# 方式一：环境变量（推荐）
set DASHSCOPE_API_KEY=sk-your-api-key-here
# 方式二：运行时传入（见下方）
python scripts/image_understanding.py -i 图片路径 [选项]
| 参数 | 说明 |
|---|---|
-i, --image | 必填 图片路径或URL |
-m, --model | 模型选择：qwen-vl-plus(默认) 或 qwen-vl-max |
-p, --custom-prompt | 自定义分析提示词 |
-e, --extract-text | 提取文字(OCR) |
-o, --identify-objects | 识别物体 |
--compact | 输出紧凑JSON |
# 1. 基本描述（默认）
python scripts/image_understanding.py -i photo.jpg
# 2. 提取文字
python scripts/image_understanding.py -i screenshot.png -e
# 3. 识别物体
python scripts/image_understanding.py -i photo.jpg -o
# 4. 自定义问答
python scripts/image_understanding.py -i photo.jpg -p "这个产品多少钱？"
# 5. 使用更强的模型
python scripts/image_understanding.py -i photo.jpg -m qwen-vl-max
# 6. 网络图片
python scripts/image_understanding.py -i "https://example.com/image.png" -e
# 7. 设置API Key后运行
set DASHSCOPE_API_KEY=sk-xxx
python scripts/image_understanding.py -i photo.jpg
| 配置项 | 值 |
|---|---|
| 服务商 | Dashscope (通义千问) |
| 默认模型 | qwen-vl-plus |
| 高级模型 | qwen-vl-max |
| API Base | https://dashscope.aliyuncs.com/compatible-mode/v1 |
| 环境变量 | DASHSCOPE_API_KEY |
| 问题 | 解决方案 |
|---|---|
| API Key 错误 | 检查 DASHSCOPE_API_KEY 是否正确 |
| 图片格式不支持 | 使用 PNG/JPG/GIF/WEBP/BMP 格式 |
| 网络超时 | 检查网络连接，尝试使用代理 |
| 识别不准确 | 提高图片质量，添加更详细的提示词 |
运行 python scripts/image_understanding.py --help 查看完整帮助
还没有评价。欢迎分享你的使用感受。
无需登录即可发表。欢迎分享使用感受、提问，或说明在哪些环境下无法运行。
还没有评论。来写第一条吧。
Save useful facts, user preferences, skills, rules, and lessons from errors to long-term memory. Each entry can include an importance level to indicate whether it should be retained as a lasting preference, a common pattern, or temporary information.
中文简介正在准备中。当前显示英语简介。
Click a button, link, or other page element by providing a CSS selector or matching text. First open the target page with `browser_navigate`, then use this skill to select the element to click.
中文简介正在准备中。当前显示英语简介。
Read text from the current webpage, either across the whole page or from an element selected with a CSS selector. Use it to check page information, retrieve displayed element values, extract text, or verify what a page contains.
中文简介正在准备中。当前显示英语简介。
See every open browser tab with its zero-based index, URL, and page title. This makes it easier to find a specific page, review what is open, or identify a tab before switching to it during browser work.
中文简介正在准备中。当前显示英语简介。
Open a web page at a specified URL and prepare the browser for later interaction. Use it before clicking page elements or typing into fields; the browser starts automatically if it is not already running.
中文简介正在准备中。当前显示英语简介。
Open a URL in a new browser tab while keeping the current page available. Use it to work across multiple pages without losing your place; the browser must already be running before the new tab can be opened.
中文简介正在准备中。当前显示英语简介。