DMXAPI 图像识别/理解
通过 DMXAPI 统一 CLI 调用多种 AI 视觉模型进行图像识别和理解。
前置准备
- 1. 安装 CLI 工具（需要 Node.js 20+）：
CODEBLOCK0
- 2. 配置 API Key（从 DMXAPI 控制台 获取）：
CODEBLOCK1
命令格式
CODEBLOCK2
选项
| 选项 | 说明 | 示例 |
|---|
| INLINECODE0 | 视觉模型名称（默认 gpt-5-mini） | INLINECODE2 |
| INLINECODE3 |
图片路径（本地文件或 URL） |
--image ./photo.png |
|
-s, --system <message> | 系统消息（定义识别任务） |
-s "你是一个OCR专家" |
|
-t, --temperature <number> | 采样温度 0-2 |
-t 0.3 |
|
--max-tokens <number> | 最大输出 token 数 |
--max-tokens 2000 |
支持的图片格式
- - PNG (
.png) - JPEG (
.jpg, .jpeg) - WebP (
.webp) - GIF (
.gif)
图片输入方式
- 1. 本地文件路径：自动转换为 base64 data URL
CODEBLOCK3
- 2. 远程 URL：直接使用网络图片
CODEBLOCK4
推荐模型
| 模型 | 特点 | 适用场景 |
|---|
| INLINECODE16 | 默认模型，速度快，成本低 | 通用图像识别 |
| INLINECODE17 |
Google 最新视觉模型 | 复杂图像分析、场景理解 |
使用步骤
- 1. 确定用户的图像识别需求类型（描述、OCR、分析等）
- 选择合适的视觉模型
- 根据任务类型编写精确的提示词
- 构建
dmxapi chat 命令并执行 - 将识别结果返回给用户
示例
图片描述
CODEBLOCK5
OCR 文字识别
CODEBLOCK6
图表数据分析
CODEBLOCK7
物体检测与识别
CODEBLOCK8
场景理解
CODEBLOCK9
文档理解
CODEBLOCK10
代码/截图识别
CODEBLOCK11
使用 System 消息增强效果
通过 -s 参数设置 system 消息，可以让模型专注于特定任务：
CODEBLOCK12
注意事项
- - 本地图片文件会自动转换为 base64 data URL 上传
- 远程 URL 图片直接传递给 API 处理
- 对于复杂识别任务，建议使用 INLINECODE20
- 如果识别结果不满意，可以调整提示词或降低 temperature 参数获得更确定的输出
技能名称: dmxapi-image-recognition
详细描述:
DMXAPI 图像识别/理解
通过 DMXAPI 统一 CLI 调用多种 AI 视觉模型进行图像识别和理解。
前置准备
- 1. 安装 CLI 工具（需要 Node.js 20+）：
bash
npm install -g dmxapi-cli
- 2. 配置 API Key（从 DMXAPI 控制台 获取）：
bash
dmxapi config set apiKey sk-your-api-key
命令格式
bash
dmxapi chat -m 提示词 --image
选项
| 选项 | 说明 | 示例 |
|---|
| -m, --model <model> | 视觉模型名称（默认 gpt-5-mini） | -m gemini-3-flash-preview |
| --image <path> |
图片路径（本地文件或 URL） | --image ./photo.png |
| -s, --system
| 系统消息（定义识别任务） | -s 你是一个OCR专家 |
| -t, --temperature | 采样温度 0-2 | -t 0.3 |
| --max-tokens | 最大输出 token 数 | --max-tokens 2000 |
支持的图片格式
- - PNG (.png)
- JPEG (.jpg, .jpeg)
- WebP (.webp)
- GIF (.gif)
图片输入方式
- 1. 本地文件路径：自动转换为 base64 data URL
bash
dmxapi chat 描述这张图片 --image ./photo.jpg
- 2. 远程 URL：直接使用网络图片
bash
dmxapi chat 分析这张图片 --image https://example.com/image.png
推荐模型
| 模型 | 特点 | 适用场景 |
|---|
| gpt-5-mini | 默认模型，速度快，成本低 | 通用图像识别 |
| gemini-3-flash-preview |
Google 最新视觉模型 | 复杂图像分析、场景理解 |
使用步骤
- 1. 确定用户的图像识别需求类型（描述、OCR、分析等）
- 选择合适的视觉模型
- 根据任务类型编写精确的提示词
- 构建 dmxapi chat 命令并执行
- 将识别结果返回给用户
示例
图片描述
bash
基本描述
dmxapi chat 请详细描述这张图片的内容 --image ./landscape.jpg
简洁描述
dmxapi chat 用一句话描述这张图片 --image ./photo.png
OCR 文字识别
bash
通用 OCR
dmxapi chat 识别图片中的所有文字，按原始排版输出 --image ./document.png
手写文字识别
dmxapi chat 识别图片中的手写文字 --image ./handwriting.jpg
表格识别
dmxapi chat 识别图片中的表格，以 Markdown 表格格式输出 --image ./table.png
图表数据分析
bash
图表解读
dmxapi chat 分析这张图表，提取关键数据点并总结趋势 --image ./chart.png
数据提取
dmxapi chat 提取图中柱状图的所有数值，以 JSON 格式输出 --image ./bar-chart.jpg
物体检测与识别
bash
物体检测
dmxapi chat 识别图片中的所有物体，列出它们的名称和位置 --image ./room.jpg
动植物识别
dmxapi chat 识别图片中的植物种类 --image ./flower.png
场景理解
bash
场景分析
dmxapi chat 分析这张图片的场景，描述环境、氛围和可能的用途 --image ./scene.jpg
安全检查
dmxapi chat 检查这张图片是否存在安全隐患 --image ./workplace.png
文档理解
bash
文档摘要
dmxapi chat 总结这张文档图片的主要内容 --image ./contract.png
信息提取
dmxapi chat 从身份证图片中提取姓名和身份证号 --image ./id-card.jpg
代码/截图识别
bash
代码识别
dmxapi chat 识别图片中的代码并输出为可复制的文本格式 --image ./code-screenshot.png
UI 分析
dmxapi chat 分析这个 UI 界面的设计元素和布局 --image ./ui-screenshot.jpg
使用 System 消息增强效果
通过 -s 参数设置 system 消息，可以让模型专注于特定任务：
bash
OCR 专家模式
dmxapi chat -s 你是一个专业的OCR识别助手，只输出识别到的文字内容，不要添加任何解释 识别文字 --image ./doc.png
数据分析专家模式
dmxapi chat -s 你是一个数据分析专家，擅长从图表中提取数据 分析图表 --image ./chart.png
多语言识别
dmxapi chat -s 识别图片中的文字，如果是英文请翻译成中文 识别并翻译 --image ./english-doc.png
注意事项
- - 本地图片文件会自动转换为 base64 data URL 上传
- 远程 URL 图片直接传递给 API 处理
- 对于复杂识别任务，建议使用 gemini-3-flash-preview
- 如果识别结果不满意，可以调整提示词或降低 temperature 参数获得更确定的输出
