👁️ China Vision — 技能工具

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

适用场景

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 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

IMAGE_PATH="/path/to/image.jpg"
# 编码为 base64
BASE64_DATA=$(python3 -c "
import base64
with open('$IMAGE_PATH', 'rb') as f:
    print(base64.b64encode(f.read()).decode('utf-8'))
")
# 判断格式
EXT="${IMAGE_PATH##.}"
case "$EXT" in
  jpg|jpeg) MIME="image/jpeg" ;;
  png)      MIME="image/png" ;;
  webp)     MIME="image/webp" ;;
  )        MIME="image/jpeg" ;;
esac
# 用户请求类型
USER_REQUEST="请详细描述这张图片的内容"
# 调用 Qwen2.5-VL
curl -s -X POST "https://api.siliconflow.cn/v1/chat/completions" \
  -H "Authorization: Bearer $SILICONFLOW_API_KEY" \
  -H "Content-Type: application/json" \
  -d "{
    \"model\": \"Qwen/Qwen2.5-VL-72B-Instruct\",
    \"messages\": [
      {
        \"role\": \"user\",
        \"content\": [
          {
            \"type\": \"image_url\",
            \"image_url\": {
              \"url\": \"data:${MIME};base64,${BASE64_DATA}\"
            }
          },
          {
            \"type\": \"text\",
            \"text\": \"$USER_REQUEST\"
          }
        ]
      }
    ],
    \"max_tokens\": 2048
  }" | python3 -c "
import sys, json
data = json.load(sys.stdin)
print(data['choices'][0]['message']['content'])
"

图片URL分析

IMAGE_URL="https://example.com/photo.jpg"
curl -s -X POST "https://api.siliconflow.cn/v1/chat/completions" \
  -H "Authorization: Bearer $SILICONFLOW_API_KEY" \
  -H "Content-Type: application/json" \
  -d "{
    \"model\": \"Qwen/Qwen2.5-VL-72B-Instruct\",
    \"messages\": [
      {
        \"role\": \"user\",
        \"content\": [
          {
            \"type\": \"image_url\",
            \"image_url\": {
              \"url\": \"$IMAGE_URL\"
            }
          },
          {
            \"type\": \"text\",
            \"text\": \"请详细描述这张图片\"
          }
        ]
      }
    ],
    \"max_tokens\": 2048
  }" | python3 -c "
import sys, json
data = json.load(sys.stdin)
print(data['choices'][0]['message']['content'])
"

Prompt 模板

图片描述

请详细描述这张图片的内容，包括：
主要对象/人物
场景/背景
颜色/光线
构图/布局
整体氛围

场景分析

请分析这张照片的：
拍摄场景
时间/天气
地点特征
主体行为
摄影技巧

图表解读

请解读这张图表：
图表类型
横轴/纵轴含义
主要数据趋势
关键数据点
结论/洞察

商品识别

请识别这张图片中的商品：
商品类型
品牌（如果可见）
产品特征
用途/功能
参考价格（如果知道）

食物识别

请识别这张食物图片：
菜品名称
菜系（中餐/西餐/日料等）
主要食材
可能的口味
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