XzhLoongSkills/skills/essential/img-query/SKILL.md

---

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）。

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。

用法

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

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

pip install requests Pillow