技能介绍

解决什么问题

在 Agent 工作流里，图片说明、视频摘要、监控、新闻、带货或体育片段分析常常混用，但调用方式不一致：单图、多图、视频 URL、自定义 Prompt、流式输出都要处理，本地视频还需要先变成可访问 URL。TencentCloud VITA 将腾讯云图像与视频理解服务封装为明确脚本边界，避免 Agent 用纯文本模型臆测视觉内容。

工作方式

核心脚本 scripts/main.py 面向三类输入：单张图片、按时间顺序排列的多张图片、单个视频 URL。支持 JPG、PNG、SVG、WEBP 等图片，以及 MP4、MOV、AVI、WebM 视频；视频最长 10 分钟、最大 100MB。图片可传公开 URL 或本地路径，本地图片会转成 base64 data URL 后调用 VITA API。Prompt 优先级为：命令行 --prompt > 持久化文件 /prompt/vita_prompt.txt > 内置默认提示词。可开启 --stream 得到 SSE 文本流，也可用 --temperature、--max-tokens 控制输出风格与长度。

适用边界

--image 与 --video 互斥；远程媒体必须可公开访问。本地视频当前不直接上传，需要先用其他工具上传为 URL。脚本不提供 COS 上传能力，VITA 调用失败时只能返回明确错误，不能编造分析结果。适合把图像与视频理解接入 Agent 的工程场景，不适合作为对象存储或上传网关使用。