Image Recognition Skill (图片识别)

适用于 Android/Termux 环境的图片识别技能

何时使用

✅ 使用此技能：

• "识别这张图片"
• "图片里有什么"
• "提取图片中的文字"
• OCR 文字识别
• 物体/场景识别
• 截图内容分析

❌ 不使用此技能：

• 用户明确要求用其他 OCR 服务
• 图片文件不存在或损坏

技术原理

核心方法：

1. 读取图片文件为二进制
2. Base64 编码
3. 调用用户配置的视觉模型 API
4. 返回识别结果

为什么不用 sharp：

• sharp 模块在 Termux (Android arm64) 无法加载
• 直接使用 Python + requests 调用 API 更稳定

支持的模型提供商：

• ✅ Bailian (通义千问) - qwen3.5-plus, qwen-vl-max
• ✅ OpenRouter - 支持视觉的模型
• ✅ 其他 OpenAI 兼容接口 - 支持 image_url 格式的模型

配置

方式一：使用 OpenClaw 配置的模型（推荐）

脚本会自动读取 OpenClaw 的配置文件 ~/.openclaw/openclaw.json，使用已配置的模型和 API Key。

无需额外配置！ 只要你的 OpenClaw 配置了支持视觉的模型即可。

方式二：手动配置环境变量

# Bailian (通义千问)
export IMAGE_MODEL_PROVIDER="bailian"
export IMAGE_MODEL_API_KEY="sk-sp-xxxxxxxxxxxxx"
export IMAGE_MODEL_NAME="qwen3.5-plus"
export IMAGE_MODEL_ENDPOINT="https://coding.dashscope.aliyuncs.com/v1/chat/completions"

# OpenRouter
export IMAGE_MODEL_PROVIDER="openrouter"
export IMAGE_MODEL_API_KEY="sk-or-xxxxxxxxxxxxx"
export IMAGE_MODEL_NAME="qwen/qwen-2.5-vl-72b-instruct"
export IMAGE_MODEL_ENDPOINT="https://openrouter.ai/api/v1/chat/completions"

Python 依赖

pip3 install requests Pillow

使用方法

方式一：自动检测（推荐）

脚本会自动读取 OpenClaw 配置文件，使用已配置的支持视觉的模型。

python3 ~/.openclaw/skills/image-recognition/recognize.py /path/to/image.jpg

无需额外配置！ 只要你的 OpenClaw 配置了支持视觉的模型（如 qwen3.5-plus）即可。

方式二：手动指定环境变量

# Bailian (通义千问)
export IMAGE_MODEL_PROVIDER="bailian"
export IMAGE_MODEL_API_KEY="sk-sp-xxxxxxxxxxxxx"
export IMAGE_MODEL_NAME="qwen3.5-plus"

# OpenRouter
export IMAGE_MODEL_PROVIDER="openrouter"
export IMAGE_MODEL_API_KEY="sk-or-xxxxxxxxxxxxx"
export IMAGE_MODEL_NAME="qwen/qwen-2.5-vl-72b-instruct"

# 使用
python3 recognize.py /path/to/image.jpg

方式三：在 Python 代码中使用

from recognize import recognize_image, get_model_config

# 自动检测配置
config = get_model_config()
print(f"使用模型：{config['provider']}/{config['model']}")

# 识别图片
result = recognize_image("/path/to/image.jpg", "提取图片中的文字")
print(result)

# 或手动指定配置
custom_config = {
    "provider": "bailian",
    "api_key": "sk-sp-xxx",
    "model": "qwen3.5-plus",
    "endpoint": "https://coding.dashscope.aliyuncs.com/v1/chat/completions",
    "headers": {"Authorization": f"Bearer sk-sp-xxx"}
}
result = recognize_image("/path/to/image.jpg", config=custom_config)

API 配置（高级）

大多数用户不需要手动配置，脚本会自动使用 OpenClaw 的模型配置。

自动检测逻辑

1. 优先使用环境变量（如果设置了）
2. 其次读取 OpenClaw 配置（~/.openclaw/openclaw.json）
3. 最后使用默认配置（Bailian qwen3.5-plus）

手动配置各提供商

Bailian (通义千问)

export IMAGE_MODEL_PROVIDER="bailian"
export IMAGE_MODEL_API_KEY="sk-sp-xxxxxxxxxxxxx"
export IMAGE_MODEL_NAME="qwen3.5-plus"
# 端点自动设置为：https://coding.dashscope.aliyuncs.com/v1/chat/completions

OpenRouter

export IMAGE_MODEL_PROVIDER="openrouter"
export IMAGE_MODEL_API_KEY="sk-or-xxxxxxxxxxxxx"
export IMAGE_MODEL_NAME="qwen/qwen-2.5-vl-72b-instruct"
# 端点自动设置为：https://openrouter.ai/api/v1/chat/completions

其他 OpenAI 兼容接口

export IMAGE_MODEL_PROVIDER="openai"
export IMAGE_MODEL_API_KEY="sk-xxxxxxxxxxxxx"
export IMAGE_MODEL_NAME="gpt-4o"
export IMAGE_MODEL_ENDPOINT="https://api.openai.com/v1/chat/completions"

支持的平台

✅ 已测试：

• Android (Termux) - arm64
• Linux - x86_64, arm64
• macOS - x86_64, arm64

✅ 支持的图片格式：

• JPEG/JPG
• PNG
• GIF (静态)
• WebP
• BMP

常见问题

Q: 为什么不用 sharp 模块？

A: sharp 依赖 libvips，在 Termux (Android) 上编译和安装非常困难。直接使用 Python + requests 调用 API 更简单稳定。

Q: API Key 无效怎么办？

A: 检查：

1. API Key 是否正确（sk-sp- 开头）
2. 是否使用了正确的端点（coding.dashscope.aliyuncs.com）
3. API Key 是否已开通视觉模型权限

Q: 识别速度慢怎么办？

A:

• 图片太大 → 压缩到 2MB 以内
• 网络问题 → 检查网络连接
• 模型响应慢 → 尝试 qwen-turbo

Q: 识别不准确怎么办？

A:

• 图片模糊 → 提供更清晰的图片
• 文字太小 → 放大或裁剪
• 特殊字体 → 尝试其他 OCR 服务

成本

• qwen3.5-plus：约 0.002 元/次（1000x1000 图片）
• 具体价格参考：https://help.aliyun.com/zh/model-studio/pricing

替代方案

如无 Bailian API，可使用：

• OpenRouter: qwen/qwen-2.5-vl-72b-instruct
• 本地 OCR: tesseract（需要安装）
• 其他云服务：百度 OCR、腾讯 OCR 等

更新日志

• 2026-04-01: 初始版本，支持 Bailian API 图片识别
• 适用于 Android/Termux 环境，绕过 sharp 模块限制