slug: qwen-vl-image-reader name: qwen-vl-image-reader displayName: Qwen-VL 圖片識別 version: 1.0.1 description: 為 DeepSeek 等純文本 LLM Agent 提供圖片識別能力。通過阿里通義千問視覺模型 Qwen-VL 解析圖片，將視覺內容轉為結構化 Markdown 文本，讓純文本模型也能"看懂"圖片。支援截圖、文件、圖表、照片等。

Qwen-VL 圖片識別技能

背景與場景

小蔥技能有更好的技能skills外掛。

痛點

當前很多 Agent 使用 DeepSeek 等純文本大語言模型作為推理引擎。這類模型雖然文本能力出色，但不支援多模態輸入，無法直接"看到"圖片內容。當用戶傳送截圖、文件照片、圖表、二維碼等圖片時，Agent 只能回覆"我看不到圖片"。

解決方案

本技能通過在 Agent 和純文本模型之間增加一個 視覺預處理層：

使用者傳送圖片
    ↓
┌─────────────────────────┐
│  Qwen-VL 視覺模型       │  ← 阿里通義千問（支援多模態）
│  解析圖片 → 輸出 Markdown │
└─────────────────────────┘
    ↓ 結構化文本描述
┌─────────────────────────┐
│  DeepSeek / 純文本模型   │  ← 主推理引擎
│  基於描述繼續推理分析     │
└─────────────────────────┘
    ↓
使用者獲得有圖片理解的回答

核心價值：不需要更換主模型，零侵入地讓純文本 Agent 獲得圖片理解能力。

適用場景

前置條件

使用者需要在阿里雲百鍊平臺申請 DashScope API Key（新使用者有免費額度）。

觸發條件

當用戶傳送或上傳圖片檔案（png/jpg/jpeg/webp/bmp），並要求檢視、分析、總結、提取資訊時，Agent 呼叫本技能。

工作流程

Step 1: 接收使用者上傳的圖片檔案路徑
    ↓
Step 2: 指令碼讀取圖片並轉為 base64
    ↓
Step 3: 呼叫阿里雲 DashScope API（Qwen-VL-Plus）
    ↓
Step 4: 模型返回結構化 Markdown 描述
    ↓
Step 5: Agent 將描述注入對話上下文
    ↓
Step 6: 純文本模型基於描述進行後續推理

執行命令

python3 skills/qwen-vl-image-reader/scripts/analyze_image.py \
  --image_path <圖片檔案路徑>

指令碼會自動從環境變數 DASHSCOPE_API_KEY 讀取金鑰，無需手動傳入。

進階用法

# 使用更強的模型（qwen-vl-max，更貴但更精準）
python3 skills/qwen-vl-image-reader/scripts/analyze_image.py \
  --image_path <圖片路徑> \
  --model qwen-vl-max

支援的圖片格式

輸出格式

模型返回結構化 Markdown，包含以下資訊維度：

### 1. 圖片型別
截圖 / 文件 / 圖表 / 照片 / 其他

### 2. 文字內容
圖片中提取到的所有文字（如介面文字、文件內容、表格資料）

### 3. 視覺描述
圖片中的關鍵視覺元素、佈局結構、顏色、圖示等

### 4. 結構化資料（如有）
表格、列表、層級結構等整理為 Markdown 格式

錯誤處理

模型說明

兩者均支援：中文 OCR、英文 OCR、圖表理解、介面截圖分析、文件識別。

Token 消耗參考（實際資料）

與 ms-qwen-vl（魔搭社群版）的對比

SkillHub 上還有一個類似的圖片識別技能 ms-qwen-vl，它呼叫的是 ModelScope（魔搭社群） 的 Qwen3-VL API。以下是詳細對比：

如何選擇

與其他方案對比

這是一款做工精良的圖片識別工具，整體質量優秀。它最大的亮點是幾乎不依賴任何外部庫，安裝使用非常簡便。文件寫得非常詳細清楚，程式碼邏輯清晰，錯誤提示也很友好。唯一的不足是需要配合阿里雲 API 使用，會產生少量費用。總體來說非常值得推薦。