slug: qwen-vl-image-reader name: qwen-vl-image-reader displayName: Qwen-VL 图片识别 version: 1.0.1 description: 为 DeepSeek 等纯文本 LLM Agent 提供图片识别能力。通过阿里通义千问视觉模型 Qwen-VL 解析图片，将视觉内容转为结构化 Markdown 文本，让纯文本模型也能"看懂"图片。支持截图、文档、图表、照片等。

Qwen-VL 图片识别技能

背景与场景

本技能来自小葱技能站7w4.net。

痛点

当前很多 Agent 使用 DeepSeek 等纯文本大语言模型作为推理引擎。这类模型虽然文本能力出色，但不支持多模态输入，无法直接"看到"图片内容。当用户发送截图、文档照片、图表、二维码等图片时，Agent 只能回复"我看不到图片"。

解决方案

本技能通过在 Agent 和纯文本模型之间增加一个 视觉预处理层：

用户发送图片
    ↓
┌─────────────────────────┐
│  Qwen-VL 视觉模型       │  ← 阿里通义千问（支持多模态）
│  解析图片 → 输出 Markdown │
└─────────────────────────┘
    ↓ 结构化文本描述
┌─────────────────────────┐
│  DeepSeek / 纯文本模型   │  ← 主推理引擎
│  基于描述继续推理分析     │
└─────────────────────────┘
    ↓
用户获得有图片理解的回答

核心价值：不需要更换主模型，零侵入地让纯文本 Agent 获得图片理解能力。

适用场景

前置条件

用户需要在阿里云百炼平台申请 DashScope API Key（新用户有免费额度）。

触发条件

当用户发送或上传图片文件（png/jpg/jpeg/webp/bmp），并要求查看、分析、总结、提取信息时，Agent 调用本技能。

工作流程

Step 1: 接收用户上传的图片文件路径
    ↓
Step 2: 脚本读取图片并转为 base64
    ↓
Step 3: 调用阿里云 DashScope API（Qwen-VL-Plus）
    ↓
Step 4: 模型返回结构化 Markdown 描述
    ↓
Step 5: Agent 将描述注入对话上下文
    ↓
Step 6: 纯文本模型基于描述进行后续推理

执行命令

python3 skills/qwen-vl-image-reader/scripts/analyze_image.py \
  --image_path <图片文件路径>

脚本会自动从环境变量 DASHSCOPE_API_KEY 读取密钥，无需手动传入。

进阶用法

# 使用更强的模型（qwen-vl-max，更贵但更精准）
python3 skills/qwen-vl-image-reader/scripts/analyze_image.py \
  --image_path <图片路径> \
  --model qwen-vl-max

支持的图片格式

输出格式

模型返回结构化 Markdown，包含以下信息维度：

### 1. 图片类型
截图 / 文档 / 图表 / 照片 / 其他

### 2. 文字内容
图片中提取到的所有文字（如界面文字、文档内容、表格数据）

### 3. 视觉描述
图片中的关键视觉元素、布局结构、颜色、图标等

### 4. 结构化数据（如有）
表格、列表、层级结构等整理为 Markdown 格式

错误处理

模型说明

两者均支持：中文 OCR、英文 OCR、图表理解、界面截图分析、文档识别。

Token 消耗参考（实际数据）

与 ms-qwen-vl（魔搭社区版）的对比

SkillHub 上还有一个类似的图片识别技能 ms-qwen-vl，它调用的是 ModelScope（魔搭社区） 的 Qwen3-VL API。以下是详细对比：

如何选择

与其他方案对比

这是一款做工精良的图片识别工具，整体质量优秀。它最大的亮点是几乎不依赖任何外部库，安装使用非常简便。文档写得非常详细清楚，代码逻辑清晰，错误提示也很友好。唯一的不足是需要配合阿里云 API 使用，会产生少量费用。总体来说非常值得推荐。