大模型视觉问答分析

问题：开放式图片问答的上下文缺口

工程师常遇到“看图说话”不止于标签：需要从图表读趋势、从文档抓关键信息、从图像推理背景。传统 CV 输出碎片化标签，而单独 LLM 又缺少像素级视觉证据。visual-qa-analysis 面向这类跨模态问答问题，把图片内容理解和自然语言推理放在同一条链路里处理。

工作方式：CV 解析 + LLM 推理 + 云端记录

核心流程包括：

• 图片输入：支持 jpg、png、jpeg、webp，最大 20MB，可传本地路径或公网 URL。
• 视觉解析：通过 CV 识别物体、场景、文字与图表数据，形成可供模型推理的结构化线索。
• 开放式问答：结合 LLM 做语义理解、逻辑推理与知识关联，不需要预设答案模板。
• 历史记录：使用 --list 从云端接口获取问答记录，并以 Markdown 表格输出 reportImageUrl 链接。

边界：适合分析，不适合替代人工核验

该技能依赖大模型生成，回答仅供参考；重要信息仍需核验。历史查询被限制为云端接口，不应从本地记忆文件汇总。脚本需在技能根目录运行，open-id 必须来自用户提供或有效获取，不能自行假设。