技能介绍

从标签堆到场景拓扑

在图片转提示词的工作流中，一个常见失败模式是把画面拆解成一组标签——"一只猫，坐着，窗户，阳光"——然后原样喂给生成模型。标签之间缺乏空间关系约束，模型只能猜测谁遮挡谁、谁被谁支撑、哪个在前哪个在后。结果往往是拓扑错误：杯子浮在桌面上、手穿过身体、镜面反射里出现不可能的光源。

image-recon 要解决的正是这个问题：把拓扑结构当作基准真值，而不是把标签列表当作全部信息。它的核心主张是，复现难度不取决于形容词的数量，而取决于空间关系的精确程度。

工作方式

分析流程分为几个明确阶段：

实体盘点与拓扑构建：为每个可观察实体分配稳定 ID（如 camera、subject_1、planter_1），记录支撑/接触、包含、深度、遮挡、反射等关系。拓扑优先于美学分析——先确定"什么在什么之间"，再讨论色彩和氛围。
证据等级标注：每个材质和属性声明必须标注为 Visible（像素直接支持）、Strong inference（多线索支持的最优解释）、Weak inference（合理但证据不足）或 Unknown。推断永远不能升级为可见事实。
复现优先级映射：将画面元素分为 P0（必须匹配：身份定义性拓扑、数量、轮廓）、P1（高：相机几何、主要色块、光照方向）、P2（中：次要道具、背景细节）、P3（灵活：偶然性微观细节），每条附带理由、验收标准和依赖关系。
提示词编译与修正传播：高保真提示词从拓扑和优先级编译而来，而非报告章节顺序。用户纠正某个观察时，技能计算依赖闭包，仅局部重编译受影响部分，并输出紧凑变更日志。

适用边界

技能提供两条分析路径：宿主具备视觉能力时用原生视觉，否则调用 scripts/analyze_image.py 走 OpenAI API。两条路径都不可用时，禁止从文件名、alt 文本或先前文字推断图片内容。技能不承诺像素级复现，而是显式声明主要不确定性和失败模式。API 调用前需向用户披露数据将发送至 OpenAI；API key 只能通过 OPENAI_API_KEY 环境变量配置，不得出现在命令行参数中。