Minimax Image Understanding

使用多模态大模型理解图片内容，生成业务含义描述。支持多种模型：(1) MiniMax VLM (2) OpenAI GPT-4V (3) Claude Vision。用于理解截图、图表、文档照片等，生成精准的文字描述。

图片理解

调用多模态大模型理解图片，生成精准的业务描述。

支持的模型

模型	环境变量	说明
MiniMax VLM	MINIMAX_API_KEY, MINIMAX_API_HOST	默认，推荐用于中文理解
OpenAI	OPENAI_API_KEY	GPT-4V
Anthropic	ANTHROPIC_API_KEY	Claude Vision

使用方法

前提条件

设置对应模型的环境变量（至少一个）：

# MiniMax（默认）
export MINIMAX_API_KEY="your-minimax-key"
export MINIMAX_API_HOST="https://api.minimaxi.com"

# 或 OpenAI
export OPENAI_API_KEY="your-openai-key"

# 或 Anthropic
export ANTHROPIC_API_KEY="your-anthropic-key"

调用脚本

python3 <skill>/scripts/understand_image.py <图片路径> [model] [prompt]

参数：

• 图片路径：本地图片文件（PNG、JPG、JPEG、GIF、WebP）
• model（可选）：minimax（默认）、openai、anthropic
• prompt（可选）：自定义提示词

示例

# 使用默认（MiniMax）
python3 ~/.openclaw/workspace/skills/minimax-image-understanding/scripts/understand_image.py /path/to/image.png

# 指定模型
python3 ~/.openclaw/workspace/skills/minimax-image-understanding/scripts/understand_image.py /path/to/image.png openai

# 自定义提示词
python3 ~/.openclaw/workspace/skills/minimax-image-understanding/scripts/understand_image.py /path/to/image.png minimax "描述图表中的数据趋势"

输出

直接输出图片的业务含义描述，不再罗列元素位置，聚焦数据内容和业务逻辑。