Large Model Visual Question Answering Skill | 大模型视觉问答技能
基于图片的开放式问答AI技能
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：Large Model Visual Question Answering Skill | 大模型视觉问答技能。 它的用途是：基于图片的开放式问答AI技能 完整的 Skill 内容见：https://321skill.com/skills/large-model-visual-question-answering-skill-大模型视觉问答技能-x-5/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
'这张图片里的人在做什么？他们的表情透露了什么情绪？'，技能会分析图片中的人物动作、面部表情和场景背景，给出如'两人正在握手，面带微笑，可能是在商务场合达成合作'等自然语言回答。
介绍
该技能主要解决用户对图片内容进行开放式问答的需求。传统OCR只能提取文字，而通用对话模型缺乏图片理解能力，本技能通过计算机视觉提取图片特征，再结合大语言模型进行语义理解，支持任意问题，返回自然语言回答。
使用方式简单：用户上传或输入图片URL，然后输入任意问题，技能即可基于图片内容生成回答。例如，上传一张风景照并询问“这是什么季节？”，技能会分析图片中的植被、光线等元素给出合理推测。支持多轮对话，可对同一张图片连续追问细节。
适合内容创作者（如为图片配文案）、学术研究者（分析图表、实验照片）、高校学生（理解教学图片）以及所有需要快速理解图片内容的用户。也适合教学演示场景，辅助讲解复杂概念。
使用建议：上传清晰、主体明确的图片效果更佳；对于专业领域图片（如医学影像、卫星图），技能可能缺乏领域知识，建议结合专业背景使用；注意保护图片中的隐私信息，避免上传敏感内容。
核心特点
相比纯视觉模型（如OCR）只能提取文字，本技能结合大语言模型，能够理解图片上下文、人物关系、情绪等抽象信息，并回答“为什么”“怎么样”等开放性问题；相比通用大模型，本技能针对图片输入进行了专门优化，无需额外描述图片即可直接分析。
注意事项
不适合需要高精度物体计数、专业领域诊断（如医疗影像）或对图片中极小文字进行精确识别的场景。
常见问题
支持哪些图片格式？
支持常见格式如JPEG、PNG、WebP，大小建议不超过10MB。
能识别图片中的手写文字吗？
可以识别清晰的手写文字，但复杂潦草的手写体可能会影响准确率。
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/large-model-visual-question-answering-skill-大模型视觉问答技能-x-5/raw/index.md 读取 Large Model Visual Question Answering Skill | 大模型视觉问答技能 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/large-model-visual-question-answering-skill-大模型视觉问答技能-x-5/raw/index.md（查看排版版本）