纯文本模型外挂视觉解析
接收图片路径或网络链接,通过外挂视觉接口提取画面文字与排版结构,为纯文本大模型输出结构化语义数据。
功能与用途
该工具专为不具备原生视觉能力的纯文本大模型设计。当会话中出现本地图片路径、网络图片URL或粘贴图片占位符时,它会自动调用外部视觉提供商(如Gemini、Claude或OpenAI兼容接口),将图像解析为包含完整文字识别、版面区域与视觉语义的结构化JSON数据。使用前需在本地配置Node.js或Bun运行环境,并绑定相应的视觉模型API密钥。
适用场景
- 纯文本智能体读取界面截图:在纯文本编码Agent中传入UI或报错截图路径,自动提取报错文字与界面布局以供代码修复。
- 文档与票据表格结构化提取:向模型提供扫描件或发票图片链接,自动解析出排版区域与文本细节,方便后续结构化处理。
- 多模态提供商故障自动切换:配置多个视觉解析服务链路,在某接口配额用尽或超时时自动回退降级,保障解析不中断。
适用人群
- 使用纯文本大模型进行自动化编码的开发者
- 构建多智能体与AI工作流的系统工程师
- 需要从截图中批量提取文本与版面信息的分析人员
使用步骤
- 安装 Node.js 或 Bun,并在终端配置相关视觉服务商的 API 密钥。
- 运行 doctor 命令检测当前环境的视觉提供商与回退配置。
- 在模型会话中直接传入图片路径、图片网址或图片占位符。
- 解析器自动抓取视觉证据并返回包含文本与版面语义的结构化结果。
开始使用
将需求和 Skill 名称发送给已连接 SkillPX MCP 的 AI 助手,核对适用工具和安装要求。
技术信息
- 分类
- AI工作流
- 适用工具
- Codex、Claude Code、OpenClaw、Hermes Agent、国内 Agent
- 使用难度
- 进阶
- 版本
- main
- 最近更新
- 2026-09-29
- 文件数
- 3
- 安装包大小
- 自动生成 ZIP
- 安全检查
- 基础检查通过
依赖与权限
- PATH