← 返回首页
技能

vision-skill

tencent_skillhub · 1.0.2 · 下载量 2,965 · 热度分 59.0

产品介绍

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)。

资源信息

作者:lgwanai
分类:图文音视频多模态生成
版本:1.0.2
认证方式: 无需认证
是否付费: 官方未说明

许可证信息摘自官方源,可能过时或缺失。商用前请以原仓库的 LICENSE 文件为准。

标签
图片生成图片编辑

信息边界说明

本页信息摘自官方文档,仅作技术信息呈现,不代表本站的判断或推荐。价格、配额、可用性以官方最新说明为准。你离开本站后的任何行为(申请 Key、付费、部署、商用),本站不做任何承诺与担保。

同类推荐

视频短视频图片音乐音频配音口播数字人全能创作

官方标注收费

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

官方标注收费

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

官方未说明

【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。

AI Image Prompts · 绘画提示词库

官方标注免费

Recommend 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

官方标注收费需申请 Key

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。

海报设计工作室

免费增值需申请 Key

将一段活动描述、一张产品照片或品牌参考图,转化为抓人眼球的活动海报、宣传 banner 或社交媒体配图。这款 AI海报设计与制作工具生成图片丰富的海报,搭配清晰视觉层级、按品类匹配的风格和预留文字区域,覆盖活动、音乐节、电影、产品发布和促销场景。你可以把它当作 AI宣传单制作工具来制作促销宣传单,当作活动海报设计工具,当作电影海报生成器,当作音乐节海报设计工具,当作产品发布会海报的 banner设计 AI,或当作平面设计海报工作室。从活动主题出发,用品牌风格参考图变换产品或场景照片,或在已认可草稿上做定向精修,完成可印刷或可分享的成品。

什么是技能

技能(Skill)是封装好的单项能力,比如文字识别、文档摘要、关键词提取。开发者把调用逻辑和提示词打包,使用者像用插件一样加载即可,无需了解底层模型。启枢技能 收录大量技能,可直接试跑或编入方案。