AI视觉识别技能

安全的图片识别工具，支持本地模式和API模式（GPT-4o/Claude），保护隐私。

技能描述

提供图片内容识别、描述和分析功能。支持API模式（使用OpenAI或Claude）获得高准确度，或本地模式（无需API）保护隐私。

使用场景

• 用户："描述这张图片的内容" → 分析图片并返回描述
• 用户："这张图片里有什么物体？" → 识别图片中的物体
• 用户："分析这张截图" → 提取图片中的文字和界面信息
• 用户："批量分析这些图片" → 处理多张图片

工具和依赖

工具列表

• scripts/vision_ai.py：核心视觉识别模块

API密钥

可选（API模式）：

• OPENAI_API_KEY：OpenAI API密钥（GPT-4o）
• ANTHROPIC_API_KEY：Anthropic API密钥（Claude）

外部依赖

API模式（推荐）：

• Python 3.7+
• openai 或 anthropic

本地模式：

• Python 3.7+
• torch（PyTorch）
• transformers
• Pillow

配置说明

环境变量

# API模式（推荐）
export OPENAI_API_KEY="sk-xxx"
# 或
export ANTHROPIC_API_KEY="sk-ant-xxx"

支持的图片格式

• JPEG (.jpg, .jpeg)
• PNG (.png)
• WebP (.webp)
• GIF (.gif)
• 最大文件大小：10MB

使用示例

基本用法

from vision_ai import VisionAI

# API模式（推荐）
vision = VisionAI(mode="api")
result = vision.analyze("photo.jpg", "描述图片中的物体")

# 本地模式（无需API）
vision = VisionAI(mode="local")
result = vision.analyze("photo.jpg")

# 批量分析
results = vision.batch_analyze("./images")

场景1：描述图片内容

用户："这张图片里有什么？"

AI：

vision = VisionAI(mode="api")
result = vision.analyze("photo.jpg", "描述图片内容")
# 返回：图片包含一只在草地上奔跑的金色犬...

场景2：识别图片中的文字

用户："提取这张截图中的文字"

AI：

result = vision.analyze("screenshot.png", "提取图片中的所有文字")
# 返回：识别出的文字内容

场景3：批量分析

用户："分析images文件夹里的所有图片"

AI：

results = vision.batch_analyze("./images")
# 返回：每张图片的分析结果

故障排除

问题1：API模式调用失败

现象：返回API错误

解决：

1. 检查API密钥是否正确
2. 确认API配额充足
3. 检查网络连接
4. 验证图片格式和大小

问题2：本地模式首次运行慢

现象：第一次分析图片很慢

解决：

• 首次运行需要下载模型（约500MB）
• 确保网络畅通
• 下载完成后会缓存，后续速度正常

问题3：图片格式不支持

现象：提示文件格式错误

解决：

• 确认文件是JPG/PNG/WebP/GIF格式
• 检查文件大小不超过10MB
• 尝试转换图片格式

性能对比

注意事项

1. 敏感图片：建议使用本地模式，保护隐私
2. API配额：API模式按使用量计费，注意控制成本
3. 批量处理：注意API速率限制
4. 模型下载：本地模式首次运行需要下载模型