vision-skill
Introduction
Vision Skill 是专为 AI Agent(如 Trae, Claude, OpenClaw 等)设计的视觉能力扩展插件。它赋予纯文本模型强大的**视觉理解(Recognition)和图像生成(Generation)**能力,支持多种 OpenAI 兼容视觉模型,提供灵活的图片上传模式(COS 或 BASE64),实现高效、异步、高质量的视觉任务处理。 🆕 v2.0:集成 832 个 GPT Image 2 精选案例库(质量过滤自 3 个社区项目 1322 raw cases,去除 490 低质) + 智能提示词引擎,自动生成高质量生图 prompt。 🆕 v2.1:集成 PPT 生成引擎 — 30+ 内置风格、Markdown 转 PPTX、slide_spec 精确编辑、模板克隆、外部图片贴入、版本回滚。 🆕 v2.2:参考图角色优化 — 支持多参考图各自指定角色(背景/产品/风格等),Prompt 中自然融合,不再笼统 “参考图是 xxx”。 🌟 项目亮点 灵活模型配置:支持自定义 BaseURL、API Key 和模型名称,兼容 OpenAI 格式 API,可对接豆包、通义千问、DeepSeek 等多种视觉模型。 双模式图片处理:支持 COS 云存储和 BASE64 直接传输两种模式,适应不同场景需求。 全能视觉识别:支持 OCR 文字提取、场景描述、细节问答,准确率极高。 微信截图识别:专门优化的 wechat_chat 预设,自动区分 PC/手机端,识别发送者身份。 全场景图像生成: 文生图(Text-to-Image):精准理解 Prompt 生成高质量图像。 图生图(Image-to-Image):基于参考图进行风格迁移或细节修改。 文生图组(Sequential Generation):支持生成连贯的故事插画或分镜。 🧠 智能提示词引擎 (prompt_builder.py):自动匹配案例并提炼灵感信号,默认生成简洁 creative brief,避免案例/摄影术语过度堆砌。 📚 GPT Image 2 案例库 (832 cases):来自 3 个社区项目的精选 prompt(质量过滤自 1322 raw,去除 490 低质),10 大统一分类,单文件存储(cases/index.json),支持关键词检索。 📊 PPT 生成引擎 (ppt_generator.py):30+ 内置风格,Markdown→PPTX 全流程,slide_spec 精确编辑,模板克隆,外部图片贴入,版本回滚。 🚨 强制确认工作流:生图/生成PPT前必须经过需求确认→用户确认→冒烟测试,杜绝低质量输出。 🚫 参考图必要性检测:自动识别需要参考图的场景(照片优化/风格迁移/图生图等),无参考图则阻断。 🖼️ 多参考图角色融合:每张参考图可指定独立角色(背景场景/产品元素/风格参考等 7 类),Prompt 自然融合,不再笼统 “参考图是 xxx”。 场景化预置 (Presets):内置 ppt, business_flat, tech_isometric, hand_drawn 等生成风格,以及 invoice, contract, form, slide, whiteboard, table, json, wechat_chat 等识别输出格式。 高可用性设计:支持备用模型配置(FALLBACK_MODEL),主模型失败时自动切换。 批处理与稳定性增强:支持一次识别多张图片,内置失败重试、可选降级模型。 可观测任务元数据:任务状态中包含 started_at / ended_at / duration_ms / api_attempts / upload_mode 等字段。 灵活的任务架构:既支持异步轮询(适合批量大任务),也支持同步等待(适合即时反馈)。
Resource Information
License information is collected from official sources and may be outdated or missing. Refer to the LICENSE file in the original repository before commercial use.
Information boundary
Information on this page is collected from official documents for technical presentation only and does not imply our endorsement. Pricing, quotas and availability are subject to the latest official statements. We make no commitment regarding any action you take after leaving this site.
Similar skills
视频短视频图片音乐音频配音口播数字人全能创作
Marked paid通过同一个AI创作工具完成AI图片、视频、音乐与语音创作,查找公开社交数据,编辑视觉成果,并集中查看和管理生成资产。Beatra 全能创作支持AI图片生成(文生图)、AI视频生成(图生视频)和AI视频编辑,通过AI音乐生成把想法做成歌曲或纯音乐,也可用AI语音生成(文字转语音)、多语言旁白和AI语音克隆完成跨媒介内容;还能查找抖音数据、小红书数据,以及 YouTube、TikTok、Instagram 与 X 上的公开帖子、笔记、评论、账号和趋势,把社交媒体数据用于竞品调研和创作。它是一款面向AI内容创作与多模态内容创作的AI创作套件,用起来就是一个把图片、视频、音乐与语音收在同一处的AI创作助手,适用于社交内容、产品展示、营销素材、课程、播客、短片和跨媒介项目;还能在不同媒介间复用原始素材、已有成果和查到的公开资料,查看制作进度、返回文件、实际用量和积分记录。
AI数字人口播与虚拟主播视频
Marked paid用一张人像和一段短脚本或语音,制作有明确讲述内容的数字人口播视频。可使用现成录音,也可以先选择音色,把脚本生成旁白,让画面中的人物随声音完成稳定、自然的口播。适合 AI 主播、虚拟主播视频、数字人讲解、让照片说话、照片说话视频、产品讲解视频、数字人培训视频、公告和社交口播,并在交付后检查人物一致性、声音清晰度、口型同步和动作稳定性。
罗斯蒙德可视化图形生成
Not specified【罗斯蒙德可视化图形生成】南京罗斯蒙德基于已交付项目沉淀的可视化图形生成场景:根据业务描述或系统需求,自动生成可编辑的架构图、流程图、ER 图、时序图、状态图与 C4 图。采用「统一图模型」一次建模、多格式输出:结构化文本(Mermaid / PlantUML,可嵌入 Markdown、进 Git 版本管理)、可编辑图形文件(drawio / Excalidraw,可拖拽修改节点与样式)、静态图(SVG 自渲染,PNG 给转换命令),并输出图形说明(图的含义 + 关键节点解释)。内置样式系统统一配色与命名,内置布局引擎自动排布,校验脚本拦截孤立节点、悬挂连线与语义缺漏。触发词:画架构图、画流程图、画 ER 图、画时序图、画状态图、C4 图、系统架构图、部署架构图、数据流程图、实体关系图、生成 drawio、生成 Excalidraw、导出 mermaid、导出 PlantUML、导出 SVG、导出 PNG、可编辑的图、图转可编辑、架构图可编辑、流程图二次修改、画图、出图、画个图。
架构图一键生成
Marked paidAPI key required使用 ContextWeave 生成或修改架构图、流程图、思维导图和复杂信息图。适用于需要从代码、文件或自然语言中提取结构与关系并实际产出 CW、SVG、HTML、可编辑 PPTX 或原生 VSDX 的请求;未特别说明时,PPTX 与 Visio 使用原生形状和连接器导出。不适用于统计图表、手绘插画或像素级排版。
AI Image Prompts · 绘画提示词库
Marked freeRecommend curated prompts from a 10,000+ real-world image generation prompt library. Works with ANY AI image model — Nano Banana Pro, Nano Banana 2, Seedream 5.0, GPT Image 1.5, Midjourney, DALL-E 3, Flux, Stable Diffusion, and more. Use this skill when users want to: - Find proven image generation prompts (any model) - Get prompt inspiration for portraits, products, social media, posters, etc. - Create illustrations for articles, videos, podcasts, or marketing content - Browse categorized prompt templates with sample images - Translate and understand prompt techniques
架构图一键生成
Marked paidAPI key required使用 ContextWeave 生成或修改架构图、流程图、思维导图和复杂信息图。适用于需要从代码、文件或自然语言中提取结构与关系并实际产出 CW、SVG、HTML、可编辑 PPTX 或原生 VSDX 的请求;未特别说明时,PPTX 与 Visio 使用原生形状和连接器导出。不适用于统计图表、手绘插画或像素级排版。
What is a Skill
A Skill is a packaged single capability, such as text recognition, document summarization, or keyword extraction. Developers wrap the calling logic and prompts into a plugin-like unit, so users can load it without understanding the underlying model. StackPilot indexes a large number of skills that can be tried instantly or assembled into a plan.