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：

1. 1. 读取图片文件为二进制
2. Base64 编码
3. 调用用户配置的视觉模型 API
4. 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

bash

Bailian (通义千问)

export IMAGEMODELPROVIDER=bailian
export IMAGEMODELAPI_KEY=sk-sp-xxxxxxxxxxxxx
export IMAGEMODELNAME=qwen3.5-plus
export IMAGEMODELENDPOINT=https://coding.dashscope.aliyuncs.com/v1/chat/completions

OpenRouter

export IMAGEMODELPROVIDER=openrouter export IMAGEMODELAPI_KEY=sk-or-xxxxxxxxxxxxx export IMAGEMODELNAME=qwen/qwen-2.5-vl-72b-instruct export IMAGEMODELENDPOINT=https://openrouter.ai/api/v1/chat/completions

Python 依赖

bash
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。

bash
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

bash

Bailian (通义千问)

export IMAGEMODELPROVIDER=bailian
export IMAGEMODELAPI_KEY=sk-sp-xxxxxxxxxxxxx
export IMAGEMODELNAME=qwen3.5-plus

OpenRouter

export IMAGEMODELPROVIDER=openrouter export IMAGEMODELAPI_KEY=sk-or-xxxxxxxxxxxxx export IMAGEMODELNAME=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

python
from recognize import recognizeimage, getmodel_config

自动检测配置

config = getmodelconfig() 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: fBearer sk-sp-xxx} } result = recognizeimage(/path/to/image.jpg, config=customconfig)

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

1. 1. 优先使用环境变量（如果设置了）
2. 其次读取 OpenClaw 配置（~/.openclaw/openclaw.json）
3. 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)

bash
export IMAGEMODELPROVIDER=bailian
export IMAGEMODELAPI_KEY=sk-sp-xxxxxxxxxxxxx
export IMAGEMODELNAME=qwen3.5-plus

端点自动设置为：https://coding.dashscope.aliyuncs.com/v1/chat/completions

OpenRouter

bash
export IMAGEMODELPROVIDER=openrouter
export IMAGEMODELAPI_KEY=sk-or-xxxxxxxxxxxxx
export IMAGEMODELNAME=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

bash
export IMAGEMODELPROVIDER=openai
export IMAGEMODELAPI_KEY=sk-xxxxxxxxxxxxx
export IMAGEMODELNAME=gpt-4o
export IMAGEMODELENDPOINT=https://api.openai.com/v1/chat/completions

支持的平台

✅ 已测试：

• - Android (Termux) - arm64
• Linux - x8664, arm64
• macOS - x8664, 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：

1. 1. API Key 是否正确（sk-sp- 开头）
2. 是否使用了正确的端点（coding.dashscope.aliyuncs.com）
3. 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

• - qwen3.5-plus：约 0.002 元/次（1000x1000 图片）
• 具体价格参考：https://help.aliyun.com/zh/model-studio/pricing

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