Large Model Visual Question Answering Skill | 大模型视觉问答技能
基于大模型对图片进行开放式问答
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：基于大模型对图片进行开放式问答 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/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
“帮我分析这张产品设计图，指出UI中的布局问题”，它会识别图片中的按钮、间距等元素并给出优化建议。
对AI说：“这张显微镜照片显示了什么细胞结构？”，它会根据视觉内容回答细胞类型和特征。
对AI说：“解读这张季度销售图表，总结趋势”，它会提取图表中的曲线和数值并用自然语言描述。
介绍
该技能解决了传统视觉问答系统只能回答固定类别问题、缺乏灵活性的痛点。通过结合计算机视觉与大型语言模型，用户可以对任意图片提出任意问题，并获得自然语言形式的回答，无需预先定义问题模板。
使用方式简单直接：向AI提供一张图片（可以是本地文件、URL或截屏），然后以自然语言提问，例如“这张图片里有什么异常？”、“图表中的趋势是什么？”或“描述一下这个场景”。AI会分析图像内容并给出相应的回答。
适合产品经理、UI设计师、学术研究者、数据分析师等需要快速理解图片内容的用户。例如，产品经理可以用它分析竞品设计稿，UI设计师可获取视觉元素反馈，学术研究者可验证图像识别算法效果，数据分析师可解读图表报告。
建议使用时确保图片清晰、关键区域不被遮挡；对于需要精确数字或文字识别的场景，可配合OCR类技能提升准确性。注意该技能不擅长进行高精度物体计数或复杂空间关系推理。
核心特点
传统VQA模型只能回答训练集内的问题，而本技能凭借大语言模型的泛化能力，支持任意开放式提问，回答更自然、更灵活，且能结合上下文进行多轮对话。
注意事项
不适合需要高精度物体计数、精确空间关系推理或细粒度颜色对比的场景。
常见问题
支持哪些图片格式？
支持JPEG、PNG、WebP、GIF等常见格式，部分平台还支持PDF中的图片提取。
能识别图片中的文字吗？
可以识别，但准确率受图片清晰度、字体复杂度和光照影响；对复杂表格或手写体建议搭配专用OCR技能。
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/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/raw/index.md（查看排版版本）