前言¶
很多 Agent 跑在 DeepSeek 等纯文本模型上，对话里一旦出现截图、扫描件或图表，模型本身读不了像素，只能让用户口述内容，或自己换带视觉能力的模型。另一条路是把图片先转成文字再交给主模型——中间需要稳定的视觉解析能力。下面介绍 SkillHub 上的社区 Skill「Qwen-VL 图片识别」，它用阿里通义千问视觉模型 Qwen-VL 做这一步，输出结构化 Markdown，让纯文本 Agent 也能处理图像输入。
这是什么¶
「Qwen-VL 图片识别」是遵循通用 SKILL.md 格式的 Agent Skill，坐标为 @user_213bfd3b/qwen-vl-image-reader，当前版本 1.0.2，来源为 community，分类 ai-agent，由发布者 user_213bfd3b 维护。
定位可以概括为：为纯文本 LLM Agent 提供图片识别能力；通过 Qwen-VL 解析图片，将视觉内容转为结构化 Markdown 文本。官方简介中写明支持截图、文档、图表、照片等类型。
SkillHub 页面：https://www.skillhub.cn/skills/user_213bfd3b/qwen-vl-image-reader
Skill 资源地址：https://api.skillhub.cn/user_213bfd3b/qwen-vl-image-reader
核心功能¶
依据 SkillHub 与抓取元数据，可确认的能力如下：
- 视觉转文本：调用 Qwen-VL，把图片内容整理为结构化 Markdown，便于后续由纯文本模型阅读与推理。
- 多类图片：面向截图、文档页、图表、照片等常见素材（以官方简介为准）。
- 与 Agent 工作流衔接：作为 Skill 挂载后，由 Agent 在需要理解图片时按 Skill 说明调用，而不是替换主对话模型。
- 需 API 密钥：标签
requires_api_key=true，使用前需按 Skill 包内说明配置密钥（具体环境变量或配置文件名以安装后的SKILL.md为准）。
SkillHub 统计（抓取时点）：评分 100000，下载 4580 次。
安装与启用¶
安装流程以 SkillHub 官方文档 skillhub.md 为准。Skill 详情页给出的安装提示为：按该文档安装 @user_213bfd3b/qwen-vl-image-reader。
1、安装 SkillHub CLI（若尚未安装）¶
先检查是否已有 CLI：
command -v skillhub && skillhub --version
未安装时，可用官方脚本完整安装（CLI + 默认 Skill）：
curl -fsSL https://skillhub-1388575217.cos.ap-guangzhou.myqcloud.com/install/install.sh | bash
仅需 CLI 时：
curl -fsSL https://skillhub-1388575217.cos.ap-guangzhou.myqcloud.com/install/install.sh | bash -s -- --cli-only
2、安装本 Skill 到当前 Agent 的 skills 目录¶
官方要求安装时必须用 --dir 指向当前 Agent 识别的 skills 目录，否则默认落在 ./skills/ 可能不会被加载。
skillhub install @user_213bfd3b/qwen-vl-image-reader --dir <skills 目录>
常用客户端路径（摘自 SkillHub 安装文档）：
- Cursor：
~/.cursor/skills/ - Claude Code：
~/.claude/skills/ - Codex：
~/.codex/skills/或项目下的.agents/skills/
示例（Cursor）：
skillhub install @user_213bfd3b/qwen-vl-image-reader --dir ~/.cursor/skills/
安装完成后，按所用客户端要求重启或刷新 Agent，使新 Skill 生效。因 requires_api_key=true，请在 Skill 目录内打开 SKILL.md 及相关说明，完成 Qwen-VL / 通义千问侧 API 密钥配置后再实际调用。
典型用法¶
公开页面未提供单独的端到端命令行 demo；结合 Skill 简介与 ai-agent 类 Skill 的通用模式，可复现的使用路径如下：
- 完成上述安装，并配置 API 密钥。
- 在 Agent 对话中提供本地或 URL 图片路径，并说明需要「识别 / 描述 / 提取图中文字或结构」等任务。
- Agent 按
SKILL.md调用 Qwen-VL，将返回的 结构化 Markdown 作为上下文，再由主模型（如 DeepSeek）继续回答或写代码。
若需确认触发话术、参数或脚本入口，以安装包内的 SKILL.md 为唯一依据。
适用场景与注意¶
适合谁
- 主模型为纯文本、但工作流里经常遇到截图、文档图、图表的开发者。
- 希望统一用 Markdown 把视觉信息喂给 Agent，而不是为每个任务切换多模态模型的情况。
限制与注意
- 依赖外部视觉 API（Qwen-VL），需有效密钥与网络；调用成本与配额以阿里云通义千问侧政策为准。
- 识别质量受图片清晰度、版式复杂度影响；关键业务字段应人工抽检。
- 社区来源（
community），升级前可在 SkillHub 查看版本 1.0.2 是否有更新说明。 - 抓取元数据中「安装」计数为 0，仅表示 SkillHub 侧统计口径，不影响本地
skillhub install使用。
结尾¶
「Qwen-VL 图片识别」把 Qwen-VL 的视觉解析收成 Agent Skill，用 Markdown 桥接纯文本模型与图片输入。若你的 Agent 缺视觉通道，可从 SkillHub 按坐标安装并配置密钥后试用。
官方 Skill 页：https://www.skillhub.cn/skills/user_213bfd3b/qwen-vl-image-reader
