ByteDance Visual Recognition — 豆包 Doubao-Seed 图片视频识别

调用火山方舟 Doubao-Seed API 文档 识别图片/视频，自动选择模型并限制用量。参与火山协作奖励计划免费使用顶级多模态模型。

⚠️ 配置只需一次！ 如果 .env 文件已存在且包含 ARK_API_KEY 和 6 个模型 ID，说明已配置过，直接跳到"调用方式"执行命令，不要重新配置。

🚀 首次配置

1. 获取 API Key

1. 打开 https://console.volcengine.com/ark 注册/登录
2. 左侧菜单 → API Key 管理 → 创建 API Key → 复制保存

2. 创建模型接入点

在同一个控制台，左侧菜单 → 在线推理 → 创建推理接入点，选以下 6 个模型：

每个接入点创建后会得到一个 ep-xxxxx 格式的 ID，复制保存。

3. 配置 .env 文件

在 Skill 目录下创建 .env 文件，填入你的 Key 和接入点 ID：

ARK_API_KEY=你的API Key
DOUBAO_VISION_20P_ID=ep-xxxxx
DOUBAO_VISION_20C_ID=ep-xxxxx
DOUBAO_VISION_20L_ID=ep-xxxxx
DOUBAO_VISION_16V_ID=ep-xxxxx
DOUBAO_VISION_18_ID=ep-xxxxx
DOUBAO_VISION_10C_ID=ep-xxxxx

可选：加上 IAM 密钥可自动同步控制台用量

VOLCENGINE_ACCESS_KEY=你的Access Key
VOLCENGINE_SECRET_KEY=你的Secret Key

4. 测试

python doubao_vision_recognize.py --help
python doubao_vision_recognize.py status

有响应且不报错，就配置好了。

⚡ 调用方式 — 触发后必须立即执行命令

这是操作手册，不是参考文档。检测到触发词后，直接复制对应命令执行，禁止只回复文字。

确认 Skill 目录后，先 cd 进去，再执行对应命令。Skill 安装在: .openclaw/workspace/skills/bytedance-visual-recognition/

执行成功后，脚本会输出 ✅ 成功! 及识别结果。你必须把结果告知用户。

⚠️ 严禁: 只回复"正在识别..."而不执行命令。必须跑 python doubao_vision_recognize.py ...。

命令

参数

--image/--video 必须传一个，--text/--code 必须传一个。模型自动选，不支持指定。

追问规则

• 不用重新上传文件，接着上次 rec 的结果聊
• 追问必须用和上次 rec 同一个模型，无法更换
• 想换模型就重新 rec

🚫 行为规则（最高优先级 — 必须遵守！）

1. 禁止确认配额消耗

• ✅ 用户调用 Skill 即表示知情并同意消耗配额，直接执行，一个字都别问

2. 禁止确认执行

• ✅ 触发即执行，不要等用户二次确认

总结：触发 → 推断参数 → 直接执行。中间不要有任何回合的确认。

3. 参数推断规则

• 用户说"识别/分析/看看"图片 → --image --text
• 用户说"识别/分析"视频 → --video --text
• 用户说"转代码/UI转代码/设计稿转代码" → --code
• 用户有额外要求 → 加 --prompt "内容"
• 不确定输入类型 → 问用户是图片还是视频（只问这一次）

限制

• 每个模型每天 180W tokens，超了自动降级
• 图片最大 15MB，视频最大 50MB