让 agent 看图干活：多模态图片识别技能使用指南

让 agent 看图干活：多模态图片识别技能使用指南

一堆商品图要读文字、要提炼卖点、要核对认证标识——人工看图又慢又漏。这个技能让 agent 收图片链接就能看：内容描述、图内文字（OCR）、视觉问答，批量化是它的真正价值。

查看原图 ↗

实测：技能触发与 Key 检查

本机在 Claude Code 里真实触发过一次（截图为真实会话捕获）：agent 读技能说明后检查 LinkFox API Key，未配置时如实提示。

查看原图 ↗

在 WorkBuddy 图形界面里实测（2026-09-16）

WorkBuddy 是腾讯出品的图形界面版 AI 助手（和 Claude Code 一样属于"能装技能的那个软件"，不用敲命令行）。把技能包装进它的技能目录后，新建任务、照上面的模板说一句话，它会真实加载技能、跑检查脚本，把"缺什么"说清楚。下面是本机实测（21 秒，消耗 0.76 积分）：

它检查后如实汇报：

• 已就绪：脚本齐备：multimodal_recognize_image.py（识别主脚本）+ upload_image.py（本地图先上传换 24 小时有效的公网链接），无外部依赖；调用走 POST /multimodal/recognize-image，传 imageUrl 加一句 requirement（比如"识别商品品类与材质、颜色等属性标签"）
• 阻断项：两个：一是 LinkFox API Key 没配（和其他 linkfox 技能同一把）；二是你还没给它要识别的图
• 它给出的下一步：配一次 Key；图片二选一给：公网 URL（JPG/PNG/GIF/WebP/BMP）或本地图路径（它会先上传换链接再识别）。它还会主动提醒该接口按输入+输出动态计费，单次可能消耗较多积分

查看原图 ↗

看图要点：回复底部有"已完成"耗时与积分消耗（模型 GLM-5.3-Flash）；因为没配 Key，agent 没有编造数据，而是按技能规范停下来向用户要 Key——装对了技能就该是这个表现。

装好后，你可以这样开口

读认证文字：

用图片识别技能读这张图里的全部认证标识和参数文字，整理成表格（图片用你的公开图床链接）

主图差异分析：

用图片识别技能分别描述这三张竞品主图的构图、道具和卖点元素，对比我们这张差在哪。

说明书数字化：

用图片识别技能把这几张说明书照片里的参数逐项提出来，做成上架素材清单。

它支持什么（官方文档口径）

给一个公开可访问的图片 URL 加一句自然语言要求，多模态模型看图后返回文本结果。支持 JPG、JPEG、PNG、GIF、WebP、BMP。适合：图片描述、OCR 文字识别、视觉问答。

准备什么

1. 装技能：npx clawhub@latest install @linkfox-ai/linkfox-multimodal-recognize-image 或用本站固定版本包（见文末）。
2. LinkFox API Key：识别按量计费。
3. 图片必须是公开 URL：本地图要先传到可公开访问的图床或对象存储。

出问题怎么办

• 提示图片无法访问：URL 不是公开可读的（带鉴权或内网地址），换公开链接。
• 识别结果太浅：把要求写具体（"逐字读出左上角的认证编号"比"看看这图"好得多）。

安全注意

注册表扫描提示涉及公开文件上传、账号与计费。只传公开图片，别传含隐私或未发布商业机密的图——传出去的图会经平台处理。

配对资源

固定版本 v1.0.7 完整包点此打开本站资源页：多模态图像识别技能（免费下载）。