技能介绍

要解决的问题

在自动化流程里，验证码往往是最后一道拦路虎。人工识别一张扭曲、带干扰线的图片或许只要一秒，但要把它塞进脚本或 Agent 工作流里重复执行，靠截图加人眼读数既不可靠也难以扩展。这个技能把「看图读字」这件事封装成一个可调用的工具：给它一张常见验证码图片，它返回识别出的文本内容，适合在运维脚本、测试流水线或聊天机器人里按需触发。

工作原理

技能采用典型的路由层设计：大模型负责理解意图、选择工具、提取参数，代码层只负责真正发起 API 调用。

密钥前置检查：调用任何工具前，先确认 scripts.config.settings.api_key 是否为空；若为空，必须通过 AskUserQuestion 向用户索取密钥，再用 scripts.config.set_api_key(api_key) 保存，密钥需从 xiaobenyang.com 获取。
工具选择：根据输入形式二选一——图片文件链接走 scripts.tools.ocr_captcha（参数 dataUrl），图片的 BASE64 编码走 scripts.tools.ocr_captcha_for_data_base64（参数 dataBase64）。
参数补全：参数缺失时通过 AskUserQuestion 询问，不会带着不完整参数发起请求。
结果返回：统一返回字典，result["raw"] 是 API 原始 JSON，整理后直接展示；result["success"] 与 result["message"] 用于判断成败与读取状态信息。

使用边界与注意点

密钥是硬门槛：没有配置 API 密钥时，技能被明确禁止自行搜索或编造识别结果，这是防止幻觉输出的关键约束。
输入形式有限制：只支持「常见验证码图片」的链接或 BASE64 输入，复杂版式、视频帧或非常规干扰类型的图片不在保证范围内。
职责边界清晰：模型不碰识别逻辑，代码不做意图理解；如果你需要对识别结果做二次校验（比如结合业务规则确认合理性），应在调用层自行实现，而不是指望这个技能兜底。