- name
- china-vision
- description
- 多模态图片理解工具。Use when user wants to analyze, describe, or understand images using AI vision models. Supports scene analysis, object recognition, chart interpretation, food identification, and detailed image descriptions. Uses Qwen2.5-VL-72B. 图片识别、图片分析、视觉理解。
- version
- 1.1.0
- license
- MIT-0
- metadata
- {"openclaw": {"emoji": "👁️", "requires": {"bins": ["python3"], "env": ["SILICONFLOW_API_KEY"]}, "primaryEnv": "SILICONFLOW_API_KEY"}}
China Vision - 多模态图片理解
使用AI视觉语言模型分析和理解图片内容。
与 china-doc-ocr 的区别
| 功能 | china-doc-ocr | china-vision |
|---|---|---|
| 文档识别 | ✅ 优秀 | ⚠️ 一般 |
| 表格提取 | ✅ 优秀 | ⚠️ 一般 |
| 发票/证件 | ✅ 优秀 | ❌ 不适合 |
| 图片描述 | ❌ 不支持 | ✅ 优秀 |
| 场景分析 | ❌ 不支持 | ✅ 优秀 |
| 图表解读 | ⚠️ 一般 | ✅ 优秀 |
| 商品识别 | ❌ 不支持 | ✅ 优秀 |
适用场景
| 场景 | 示例 |
|---|---|
| 图片描述 | "这张图片是什么内容？" |
| 场景分析 | "分析这张风景照的构图" |
| 图表解读 | "这个柱状图说明什么？" |
| 商品识别 | "这是什么品牌的产品？" |
| 食物识别 | "这是什么菜？怎么做的？" |
| 人物分析 | "描述这张照片中的人物" |
Trigger Conditions
- "这是什么图片" / "What is this image?"
- "描述这张图片" / "Describe this image"
- "分析这张照片" / "Analyze this photo"
- "这个图表说明什么" / "What does this chart show?"
- "这是什么菜" / "What food is this?"
- "这是什么品牌" / "What brand is this?"
- "china-vision"
模型说明
使用 Qwen2.5-VL-72B-Instruct 视觉语言模型：
- ✅ 强大的图片理解能力
- ✅ 支持中英文对话
- ⚠️ 收费模型（按token计费）
- ✅ 国内直连
- ✅ 效果优秀
注意：这是付费模型，请注意token消耗
Step 0: 环境检查
# 检查 API Key
if [ -z "$SILICONFLOW_API_KEY" ]; then
echo "缺少 SILICONFLOW_API_KEY"
echo "配置方法："
echo " 1. 访问 cloud.siliconflow.cn 注册"
echo " 2. 进入「API密钥」页面创建 Key"
echo " 3. export SILICONFLOW_API_KEY='sk-xxxxxxxx'"
exit 1
fiStep 1: 识别请求类型
用户输入图片 → 判断请求类型：
"描述这张图片" → 详细描述模式
"这是什么" → 识别模式
"分析..." → 分析模式
"对比..." → 对比模式（多张图）
未指定 → 默认描述模式Step 2: 图片分析
单张图片分析（本地文件）
python3 scripts/vision.py \
--image "/path/to/image.jpg" \
--prompt "请详细描述这张图片的内容"图片URL分析
python3 scripts/vision.py \
--url "https://example.com/photo.jpg" \
--prompt "请详细描述这张图片"自定义 Prompt
python3 scripts/vision.py \
--image "/path/to/image.jpg" \
--prompt "请识别这张图片中的商品，包括品牌和产品特征"Prompt 模板
图片描述
请详细描述这张图片的内容，包括：
1. 主要对象/人物
2. 场景/背景
3. 颜色/光线
4. 构图/布局
5. 整体氛围场景分析
请分析这张照片的：
1. 拍摄场景
2. 时间/天气
3. 地点特征
4. 主体行为
5. 摄影技巧图表解读
请解读这张图表：
1. 图表类型
2. 横轴/纵轴含义
3. 主要数据趋势
4. 关键数据点
5. 结论/洞察商品识别
请识别这张图片中的商品：
1. 商品类型
2. 品牌（如果可见）
3. 产品特征
4. 用途/功能
5. 参考价格（如果知道）食物识别
请识别这张食物图片：
1. 菜品名称
2. 菜系（中餐/西餐/日料等）
3. 主要食材
4. 可能的口味
5. 制作方法简述输出格式
图片描述
┌──────────────────────────────────────────────┐
│ 👁️ 图片分析结果 │
└──────────────────────────────────────────────┘
📸 图片描述
这是一张在城市街道拍摄的夜景照片。画面中可以看到
灯火通明的商业区，高楼林立，车流穿梭...
🎨 画面构成
├─ 主体: 城市街道夜景
├─ 背景: 高层建筑群
├─ 光线: 人工照明，暖色调
└─ 构图: 仰拍视角
💡 分析
这张照片展现了现代都市的繁华夜生活，拍摄者
选择了仰拍角度，突出了建筑的高度感...与 china-doc-ocr 的协作
用户上传发票照片
↓
优先尝试 china-doc-ocr (OCR模型)
↓
如果识别效果不好
↓
降级到 china-vision (视觉语言模型)Notes
- 使用 Qwen2.5-VL-72B-Instruct 视觉语言模型
- 需要 SILICONFLOW_API_KEY
- 适合图片理解和分析，不适合文档OCR
- 文档OCR请使用 china-doc-ocr