Analyze images using Dashscope (Qwen) Vision models. Supports detailed scene descriptions, OCR text extraction, object recognition, and visual question-answering. Use when you need to understand image content via the Alibaba Cloud Dashscope API.
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
npx skills add openakita/openakita/skills@image-understanding（图片理解技能）下载完整 Skill 目录，包含 SKILL.md 及所有相关文件
Search for places (restaurants, cafes, etc.) via Google Places API proxy on localhost.
Interact with GitHub using the `gh` CLI. Use `gh issue`, `gh pr`, `gh run`, and `gh api` for issues, PRs, CI runs, and advanced queries.
Create or update AgentSkills. Use when designing, structuring, or packaging skills with scripts, references, and assets.
Start voice calls via the OpenClaw voice-call plugin.
Notion API for creating and managing pages, databases, and blocks.
Gemini CLI for one-shot Q&A, summaries, and generation.
Category:developer