---
name: img-query
description: "Use this skill whenever you (the current model) lack vision/image-understanding capability and need to know the content of an image, screenshot, photo, diagram, chart, scan, or UI mockup. Triggers include: the user attaches or references an image file (.png/.jpg/.jpeg/.webp/.bmp) and asks about its content, asks you to read text in an image (OCR), describe what an image shows, extract data from a chart or screenshot, transcribe a scanned document, or answer questions about a picture, diagram, flow chart, or UI screenshot. If the image is inside a PDF/DOCX/PPTX, first extract the image with the pdf/docx/pptx/markitdown skill, then use this skill. Do NOT use for generating images (use minimax-image), audio (minimax-speech/music), or video (minimax-video)."
---

# Image Query (识图)

当当前模型没有识图（视觉理解）能力时，通过调用具备视觉能力的远端 LLM API 来查询图像内容。

## 何时使用

- 用户提供了图片（截图、照片、图表、流程图、扫描件、UI 图）并询问其内容。
- 需要读取图片中的文字（OCR）。
- 需要描述图片内容、从图表/表格图片中提取数据、理解流程或架构图。
- 需要就某张图片回答具体问题。

## 前提

- Python 3 环境，已安装依赖：`requests`、`Pillow`。
- 可访问 API（`https://api.1808366.xyz`）。

<HARD-GATE>
只有当当前模型自身缺乏识图能力时才使用本技能。若模型本身具备视觉能力，应直接读取图像，不要调用本技能。
</HARD-GATE>

## 用法

```bash
python scripts/img_query.py <图片路径> <问题> [输出文件]
```

- `<图片路径>`：本地图片文件（png/jpg/jpeg/webp/bmp 等，内部自动转 JPEG，一次压缩：固定高质量 85，仅当最长边超过 1280px 时一次性缩到该尺寸以控制体积）。
- `<问题>`：针对图片提出的问题（建议用引号包裹）。
- `[输出文件]`：可选；提供后结果写入该文件，否则输出到标准输出。

### 示例

```bash
python scripts/img_query.py screenshot.png "这张截图里显示了什么信息？"
python scripts/img_query.py chart.jpg "请读取并列出图表中的所有数据点" result.txt
```

## 工作流

1. 确认用户给出或引用了图片路径；若图片在 PDF/DOCX/PPTX 内，先用 `pdf`/`docx`/`pptx`/`markitdown` 技能提取出图片文件。
2. 运行脚本，传入图片路径与用户的问题（或根据任务构造清晰的问题，例如要求 OCR、描述、提取数据等）。
3. 把脚本返回的结果直接作为对用户问题的回答；若脚本失败，向用户说明并请其检查图片路径与网络。

## 依赖

```bash
pip install requests Pillow
```