Agent Skills
返回列表
🤖

Qwen-VL 图片识别

AI Agent 更新于 2026.08.30

将以下提示词粘贴到你的 AI 对话框中：

请根据 https://skillhub.cn/install/skillhub.md，安装 @user_213bfd3b/qwen-vl-image-reader。

技能介绍

问题

很多 Agent 使用纯文本大语言模型作为推理引擎。用户发送截图、文档照片、图表、二维码或表格时，模型本身无法直接读取图片内容，只能回复看不到。直接更换多模态主模型又可能带来成本、部署和兼容性问题。

如何工作

本技能在 Agent 和纯文本推理引擎之间增加一个视觉预处理层。当用户发送 png、jpg、jpeg、webp 或 bmp 图片，并要求查看、分析、总结或提取信息时，技能会调用 Qwen-VL，将图片理解结果整理为结构化 Markdown，再交给纯文本模型继续推理。它适合截图分析、文档识别、图表解读、照片描述、信息提取和表格识别等场景，可在 qwen-vl-plus 与 qwen-vl-max 之间切换，并支持中文 OCR、英文 OCR、图表理解和界面截图分析。

边界与注意

该技能依赖网络和有效的 DASHSCOPE_API_KEY，仅支持 png/jpg/jpeg/webp/bmp 格式。文件不存在、格式不支持、密钥缺失、网络失败、超时或图片损坏时，会给出明确错误提示。它适合轻量部署和已有阿里云百炼账号的场景；若需要物体检测、更精细的任务模式或其他平台能力，可能需要选择更专门的 Qwen-VL 技能。它不适合完全离线或无法配置 API Key 的环境。

使用场景

  • 运维在值班群收到系统报错截图，需要提取错误信息并判断异常模块。
  • 财务收到供应商发票照片，需要识别金额、税号与日期并生成核对表。
  • 分析师把 K 线走势截图发给 Agent，需要总结趋势并指出关键点位。
  • 客服收到菜单或公告牌照片，需要提取文字并整理成 Markdown 清单。

适合人员

  • 使用 DeepSeek 等纯文本模型构建 Agent 的工程师，希望不更换主模型也能处理截图。
  • 需要把聊天截图、发票照片或界面报错转成可检索文本的产品运营。
  • 需要让脚本或 Agent 识别图表并输出结构化 Markdown 的数据分析同事。
  • 已有阿里云百炼账号、希望轻量部署图片理解能力的个人开发者。