技能介绍

它解决什么问题

当你让 Agent 直接驱动本地 ModelCLI 时，最常见的问题不是模型效果，而是接口不稳定：人类可读的富文本输出、日志、错误信息和结果混在一起，解析规则稍有偏差就会让下游任务失败。这个 skill 提供一层包装器，把调用、参数注入、JSON 信封解析和重试策略收敛到固定流程里，避免 Agent 自行拼接协议或直接读原始输出。

核心工作流

根据请求选择能力：物体检测用 detect，图片文字用 ocr，音频转写用 asr，文本转语音用 tts；环境或模型状态检查用 capabilities、doctor 或 models。
推理前检查输入文件存在且可读，所有路径转为绝对路径。
通过 {baseDir}/scripts/invoke.py 执行。包装器会确保 CLI 可用，并加入全局 --json --allow-download，不需要调用方手工补参数。
解析 stdout 中唯一的 JSON 信封：ok: true 时使用 result 回答，并指出生成文件的绝对路径；ok: false 时使用 error.code、message 和 retryable 处理失败，stderr 只作为诊断信息。
对 retryable: true 或 MODEL_BUSY 最多重试一次；输入错误、输出冲突和不可重试错误不要重试。
向用户简洁报告结果。除非用户明确要求，不要倾倒完整 JSON 或依赖日志。

安全与敏感操作边界

包装器会自动安装缺失的 ModelCLI，也允许推理时下载缺失模型。以下操作必须先获得用户明确确认，再加入 --approve-sensitive：任何 --force 覆盖已有输出；models install ... --refresh；models remove ... 或 models clean；doctor --deep。不要主动刷新模型、删除缓存或覆盖文件。普通推理、models install、models verify、models list、capabilities 和静态 doctor 不需要额外确认。

能力选择与调用约束

detect 只识别 COCO 80 类，类别名使用英文，例如 person、car；它不是开放词汇或 UI 元素检测模型。
OCR 返回逐行文本、置信度和四点坐标；需要可视化时使用 --draw-boxes。
ASR 语言可选 auto|zh|en|yue|ja|ko；长音频默认启用 VAD。
TTS 在 Agent 模式必须有 --out；需要克隆声音时用可读音频传 --prompt-audio。
调用方拥有墙钟超时；包装器默认 900 秒，可用 --timeout 调整。
需要具体参数或返回字段时读取 references/commands.md；需要错误码、信封或重试细节时读取 references/protocol.md。