OpenSkillIndex← back to search
claude-code

Openakita openakita/skills@image-understanding

Analyze images using Dashscope (Qwen) Vision models for detailed description, OCR text extraction, object recognition, and visual Q&A. Use when the user needs to understand image content via Alibaba Cloud Dashscope API, especially for Chinese-language image analysis and documents.

install
source · Clone the upstream repo
git clone https://github.com/openakita/openakita
Claude Code · Install into ~/.claude/skills/
T=$(mktemp -d) && git clone --depth=1 https://github.com/openakita/openakita "$T" && mkdir -p ~/.claude/skills && cp -r "$T/skills/image-understanding" ~/.claude/skills/openakita-openakita-openakita-skills-image-understanding && rm -rf "$T"
manifest: skills/image-understanding/SKILL.md
source content

图片理解技能 (Image Understanding)

使用 Dashscope（通义千问） 视觉模型分析图片，支持详细描述、OCR文字提取、物体识别和图片问答。

简介

图片理解技能是一个强大的视觉分析工具，通过调用 Dashscope（阿里云通义千问）的视觉大模型（qwen-vl-plus、qwen-vl-max），让 AI 能够理解和分析图像内容。

核心功能：

  • 🖼️ 图片内容详细描述
  • 🔤 文字提取（OCR）
  • 🎯 物体识别
  • 💬 图片问答

使用场景

📄 文档处理

  • 会议白板照片转文字
  • 纸质文档扫描识别
  • 手写笔记数字化

🛒 工作应用

  • 产品图片分析
  • 竞品图片提取信息
  • 图表数据解读

💬 图片问答

  • 针对图片提问获取答案
  • 理解复杂场景细节
  • 技术图纸逻辑分析

环境配置

1️⃣ 安装依赖

pip install requests

2️⃣ 获取 Dashscope API Key

  1. 访问 Dashscope 控制台
  2. 创建账号并开通服务
  3. 创建 API Key

3️⃣ 配置 API Key

# 方式一：环境变量（推荐）
set DASHSCOPE_API_KEY=sk-your-api-key-here

# 方式二：运行时传入（见下方）

使用方法

基本命令

python scripts/image_understanding.py -i 图片路径 [选项]

常用参数

参数说明
-i, --image
必填 图片路径或URL
-m, --model
模型选择：
qwen-vl-plus
(默认) 或 
qwen-vl-max
-p, --custom-prompt
自定义分析提示词
-e, --extract-text
提取文字(OCR)
-o, --identify-objects
识别物体
--compact
输出紧凑JSON

使用示例

# 1. 基本描述（默认）
python scripts/image_understanding.py -i photo.jpg

# 2. 提取文字
python scripts/image_understanding.py -i screenshot.png -e

# 3. 识别物体
python scripts/image_understanding.py -i photo.jpg -o

# 4. 自定义问答
python scripts/image_understanding.py -i photo.jpg -p "这个产品多少钱？"

# 5. 使用更强的模型
python scripts/image_understanding.py -i photo.jpg -m qwen-vl-max

# 6. 网络图片
python scripts/image_understanding.py -i "https://example.com/image.png" -e

# 7. 设置API Key后运行
set DASHSCOPE_API_KEY=sk-xxx
python scripts/image_understanding.py -i photo.jpg

最佳实践

📸 图片质量

  • 确保图片清晰、亮度充足
  • 文字图片分辨率不低于 640x640
  • 避免模糊或过暗的图片

💡 提示词技巧

  • 使用具体、明确的指令
  • 指定关注点（如"重点关注价格标签"）
  • 多语言场景可混合中英文

✅ 结果验证

  • 重要信息建议人工复核
  • 涉及专业领域需专家确认
  • 妥善保存原始图片和分析结果

API 配置

配置项值
服务商Dashscope (通义千问)
默认模型qwen-vl-plus
高级模型qwen-vl-max
API Base
https://dashscope.aliyuncs.com/compatible-mode/v1
环境变量
DASHSCOPE_API_KEY

故障排除

问题解决方案
API Key 错误检查 
DASHSCOPE_API_KEY
是否正确
图片格式不支持使用 PNG/JPG/GIF/WEBP/BMP 格式
网络超时检查网络连接，尝试使用代理
识别不准确提高图片质量，添加更详细的提示词

运行 

python scripts/image_understanding.py --help
查看完整帮助

openakita/skills@image-understanding — OpenSkillIndex