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：
- 读取图片文件为二进制
- Base64 编码
- 调用用户配置的视觉模型 API
- 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
- 优先使用环境变量（如果设置了）
- 其次读取 OpenClaw 配置（
~/.openclaw/openclaw.json）
- 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：
- API Key 是否正确（
sk-sp- 开头）
- 是否使用了正确的端点（
coding.dashscope.aliyuncs.com）
- 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
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
