前言¶
很多 Agent 跑在 DeepSeek 等純文本模型上，對話裏一旦出現截圖、掃描件或圖表，模型本身讀不了像素，只能讓用戶口述內容，或自己換帶視覺能力的模型。另一條路是把圖片先轉成文字再交給主模型——中間需要穩定的視覺解析能力。下面介紹 SkillHub 上的社區 Skill「Qwen-VL 圖片識別」，它用阿里通義千問視覺模型 Qwen-VL 做這一步，輸出結構化 Markdown，讓純文本 Agent 也能處理圖像輸入。
這是什麼¶
「Qwen-VL 圖片識別」是遵循通用 SKILL.md 格式的 Agent Skill，座標爲 @user_213bfd3b/qwen-vl-image-reader，當前版本 1.0.2，來源爲 community，分類 ai-agent，由發佈者 user_213bfd3b 維護。
定位可以概括爲：爲純文本 LLM Agent 提供圖片識別能力；通過 Qwen-VL 解析圖片，將視覺內容轉爲結構化 Markdown 文本。官方簡介中寫明支持截圖、文檔、圖表、照片等類型。
SkillHub 頁面：https://www.skillhub.cn/skills/user_213bfd3b/qwen-vl-image-reader
Skill 資源地址：https://api.skillhub.cn/user_213bfd3b/qwen-vl-image-reader
核心功能¶
依據 SkillHub 與抓取元數據，可確認的能力如下：
- 視覺轉文本：調用 Qwen-VL，把圖片內容整理爲結構化 Markdown，便於後續由純文本模型閱讀與推理。
- 多類圖片：面向截圖、文檔頁、圖表、照片等常見素材（以官方簡介爲準）。
- 與 Agent 工作流銜接：作爲 Skill 掛載後，由 Agent 在需要理解圖片時按 Skill 說明調用，而不是替換主對話模型。
- 需 API 密鑰：標籤
requires_api_key=true，使用前需按 Skill 包內說明配置密鑰（具體環境變量或配置文件名以安裝後的SKILL.md爲準）。
SkillHub 統計（抓取時點）：評分 100000，下載 4580 次。
安裝與啓用¶
安裝流程以 SkillHub 官方文檔 skillhub.md 爲準。Skill 詳情頁給出的安裝提示爲：按該文檔安裝 @user_213bfd3b/qwen-vl-image-reader。
1、安裝 SkillHub CLI（若尚未安裝）¶
先檢查是否已有 CLI：
command -v skillhub && skillhub --version
未安裝時，可用官方腳本完整安裝（CLI + 默認 Skill）：
curl -fsSL https://skillhub-1388575217.cos.ap-guangzhou.myqcloud.com/install/install.sh | bash
僅需 CLI 時：
curl -fsSL https://skillhub-1388575217.cos.ap-guangzhou.myqcloud.com/install/install.sh | bash -s -- --cli-only
2、安裝本 Skill 到當前 Agent 的 skills 目錄¶
官方要求安裝時必須用 --dir 指向當前 Agent 識別的 skills 目錄，否則默認落在 ./skills/ 可能不會被加載。
skillhub install @user_213bfd3b/qwen-vl-image-reader --dir <skills 目錄>
常用客戶端路徑（摘自 SkillHub 安裝文檔）：
- Cursor：
~/.cursor/skills/ - Claude Code：
~/.claude/skills/ - Codex：
~/.codex/skills/或項目下的.agents/skills/
示例（Cursor）：
skillhub install @user_213bfd3b/qwen-vl-image-reader --dir ~/.cursor/skills/
安裝完成後，按所用客戶端要求重啓或刷新 Agent，使新 Skill 生效。因 requires_api_key=true，請在 Skill 目錄內打開 SKILL.md 及相關說明，完成 Qwen-VL / 通義千問側 API 密鑰配置後再實際調用。
典型用法¶
公開頁面未提供單獨的端到端命令行 demo；結合 Skill 簡介與 ai-agent 類 Skill 的通用模式，可復現的使用路徑如下：
- 完成上述安裝，並配置 API 密鑰。
- 在 Agent 對話中提供本地或 URL 圖片路徑，並說明需要「識別 / 描述 / 提取圖中文字或結構」等任務。
- Agent 按
SKILL.md調用 Qwen-VL，將返回的 結構化 Markdown 作爲上下文，再由主模型（如 DeepSeek）繼續回答或寫代碼。
若需確認觸發話術、參數或腳本入口，以安裝包內的 SKILL.md 爲唯一依據。
適用場景與注意¶
適合誰
- 主模型爲純文本、但工作流裏經常遇到截圖、文檔圖、圖表的開發者。
- 希望統一用 Markdown 把視覺信息餵給 Agent，而不是爲每個任務切換多模態模型的情況。
限制與注意
- 依賴外部視覺 API（Qwen-VL），需有效密鑰與網絡；調用成本與配額以阿里雲通義千問側政策爲準。
- 識別質量受圖片清晰度、版式複雜度影響；關鍵業務字段應人工抽檢。
- 社區來源（
community），升級前可在 SkillHub 查看版本 1.0.2 是否有更新說明。 - 抓取元數據中「安裝」計數爲 0，僅表示 SkillHub 側統計口徑，不影響本地
skillhub install使用。
結尾¶
「Qwen-VL 圖片識別」把 Qwen-VL 的視覺解析收成 Agent Skill，用 Markdown 橋接純文本模型與圖片輸入。若你的 Agent 缺視覺通道，可從 SkillHub 按座標安裝並配置密鑰後試用。
官方 Skill 頁：https://www.skillhub.cn/skills/user_213bfd3b/qwen-vl-image-reader
