X-Agents/account/admin/skills/image-understander/SKILL.md

name, description

name	description
openakita/skills@image-understander	Analyze images using GPT-4 Vision. Supports image description, OCR text extraction, object recognition, and visual Q&A. When you need to understand image content using OpenAI GPT-4 Vision API.

图片理解技能 (Image Understander)

📋 概述

一个基于 OpenAI GPT-4 Vision 的图片理解工具，支持图片描述、文字识别(OCR)、物体识别和图片问答。

🚀 功能

功能	命令	说明
图片描述	-m describe	详细描述图片内容
文字提取	-m ocr	提取图片中的所有文字
物体识别	-m objects	识别并列出图片中的物体
图片问答	-m qa	针对图片回答问题

📦 安装

# 安装依赖
pip install openai pillow requests

🔧 配置

方式一：环境变量

set OPENAI_API_KEY=sk-your-api-key-here

方式二：命令行传入

python scripts/main.py -i photo.jpg -a sk-your-key

📖 使用方法

基本使用

# 描述图片
python scripts/main.py -i photo.jpg -m describe

# 提取文字（OCR）
python scripts/main.py -i screenshot.png -m ocr

# 识别物体
python scripts/main.py -i photo.jpg -m objects

# 图片问答
python scripts/main.py -i photo.jpg -m qa -q "这个图片里有什么？"

完整参数

python scripts/main.py \
  --image PATH_TO_IMAGE \
  --mode describe|ocr|objects|qa \
  --api-key YOUR_API_KEY \
  --prompt "你的问题" \
  --output OUTPUT.json \
  --verbose

📁 输出示例

{
  "mode": "describe",
  "image": "photo.jpg",
  "result": "A beautiful sunset over the ocean with orange and purple sky...",
  "objects": [],
  "text": ""
}

⚠️ 注意事项

• 需要 OpenAI API Key（支持 GPT-4 Vision）
• 支持的图片格式：PNG、JPG、GIF、BMP
• 图片大小建议小于 20MB