多模态图像识别
多模态AI驱动的通用图片识别与分析工具
安装使用
复制下面这段提示词发给你的 AI（Claude / Cursor / TRAE / Codex / WorkBuddy 等），它会自动帮你完成安装：
帮我安装这个 AI Skill：多模态图像识别。 它的用途是：多模态AI驱动的通用图片识别与分析工具 完整的 Skill 内容见：https://321skill.com/skills/多模态图像识别-x-6/raw/index.md 请读取该页面内容，如果是 SKILL.md 格式直接安装，如果是 README 提炼核心 prompt 后安装。
提示词包含完整的 Skill 内容链接，AI 读取后即可完成安装。你也可以 查看完整内容 确认无误。
使用示例
'帮我分析这张产品截图，提取所有商品名称和价格，并描述整体布局风格。' 它会先调用多模态模型识别图片中的文字和物体，返回商品名、价格列表，并用自然语言描述布局特点。之后可继续追问：'图中左上角的促销标签是什么颜色？' 它会基于同一张图片作答。
介绍
该技能基于多模态AI模型，能够对用户提供的图片或图片URL进行深度理解与分析。它解决了传统图像识别工具功能单一、无法处理复杂视觉任务的问题，例如仅做分类或标签，而该技能可以同时完成图像描述、物体识别、场景理解、OCR文字提取以及视觉问答等多项任务，极大提升图片处理效率。
使用方式简单灵活：用户只需上传图片或提供图片URL，并给出具体指令（如“描述这张图片”、“提取其中的文字”、“分析图中物体的关系”），技能会立即调用多模态模型进行推理，返回结构化结果。支持批量处理连续图片，也支持针对同一张图片的多轮追问。
适合内容创作者快速获取图片素材的文字描述或字幕；适合学术研究者对实验图像、论文图表进行自动标注与分析；也适合数据分析师从产品截图、报表图片中提取关键数据，减少手动录入工作量。
建议在使用时提供清晰的指令和上下文，例如指定输出格式（JSON、列表等）或强调关注的重点区域。注意该技能依赖网络API调用，对离线环境或极高实时性要求（如毫秒级响应）的场景可能不适用。
核心特点
与同类技能相比，本技能不仅支持OCR和图像描述，还内置了视觉问答能力，用户可针对图片自由提问（如“图中人物的表情是什么？”），而非仅返回预设模板结果。
注意事项
不适合处理包含大量动态视频帧或需要3D空间建模的场景，且对图片中极小尺寸文字（如<8px）的识别准确率较低。
常见问题
支持哪些图片格式？
支持常见的JPEG、PNG、GIF、WebP等格式，单张图片大小建议不超过10MB。
可以识别图片中的手写文字吗？
可以，但手写文字识别准确率受字体清晰度影响，建议优先使用印刷体。
给 AI 助手的安装指引
如果你的 AI 编程助手（Claude Code、Cursor、TRAE 等）能看到这个页面，把下面这段发给它即可自动完成安装：
请访问 https://321skill.com/skills/多模态图像识别-x-6/raw/index.md 读取 多模态图像识别 的原始 Skill 定义（Markdown 格式），按其中说明在我的环境里完成安装和配置。
AI 可直接读取的原始 Markdown 地址：/skills/多模态图像识别-x-6/raw/index.md（查看排版版本）