name	MiMo视觉识别
description	调用小米 MiMo-V2.5 多模态模型识别/理解图片。这是 Agent 的"眼睛"——当用户发来图片、截图、照片，或 Agent 需要查看图片内容来回答问题、理解上下文时触发。

MiMo 视觉识别

调用 ~/.claude/skills/mimo-vision/scripts/mimo_vision.py 通过小米 MiMo-V2.5 全模态 API 理解图片内容。这是我（Agent）唯一的视觉能力来源——没有这个工具我就是"盲人"。

触发规则

以下任一情况必须调用此 skill：

用户直接发图片 → 我收到图片路径或看到图片时，立即调用此脚本获取图片内容
用户提到"看看这个"、"这个图"、"截图里"、"看图" → 调用脚本
Agent 需要查看图片才能回答 → 主动调用（如"帮我分析这个UI截图"、"这个设计图有什么问题"）
用户说"你看下"、"帮我看下" → 调用脚本
任何需要视觉理解的场景 → 调用脚本，不要猜测图片内容

⚠️ 关键规则：先看再答

禁止在没看到图片的情况下猜测或编造图片内容。 如果用户发来一张图并问问题，步骤如下：

立即运行 mimo_vision.py -i <图片路径> -p "<合适的问题>"
读取脚本的 stdout 输出，这就是我对那张图的理解
基于识别结果回答用户

如果没有调用脚本，我就不知道图片里有什么。

命令示例

基础识别——描述图片

python3 ~/.claude/skills/mimo-vision/scripts/mimo_vision.py -i "图片路径"

专项识别——带针对性问题

python3 ~/.claude/skills/mimo-vision/scripts/mimo_vision.py -i "截图.png" -p "图片中有哪些按钮和菜单？请逐条列出。"

多图对比

python3 ~/.claude/skills/mimo-vision/scripts/mimo_vision.py -i "修改前.png" -i "修改后.png" -p "这两张图有什么不同？"

文字提取

python3 ~/.claude/skills/mimo-vision/scripts/mimo_vision.py -i "文档.jpg" -p "提取图片中所有文字，保持原有排版结构。"

v2 新功能：结构化分析

# 结构化风格分析（输出 JSON + PIL 图片信息）
mimo_vision.py -i "参考图.png" --structured -o analysis.json

# 双图对比模式（自动生成对比 prompt，输出评分）
mimo_vision.py -i "新图标.png" --compare "参考图集.png" -o compare.json

# 只看图片技术信息（不调用 API，纯本地 PIL 分析）
mimo_vision.py -i "图片.png" --info

保存到文件（避免 Windows 终端乱码）

mimo_vision.py -i "图片.png" -p "描述这张图" -o result.txt

全部参数

参数	说明	默认值
`-i` / `--image`	图片路径（可重复传入多张）	必填
`-p` / `--prompt`	提问/指令	`请详细描述这张图片的内容。`
`-S` / `--structured`	v2 结构化风格分析（自动 prompt + JSON 输出）	否
`-C` / `--compare`	v2 对比模式，传入参考图路径	无
`--info`	v2 仅输出 PIL 技术信息（无 API 调用）	否
`-o` / `--output`	v2 保存输出到文件（UTF-8，解决乱码）	stdout
`-m` / `--model`	模型名	`mimo-v2.5`
`--max-tokens`	最大输出 token 数	`4096`
`--temperature`	采样温度 [0, 1.5]	`1.0`
`--top-p`	核采样阈值 [0.01, 1.0]	`0.95`
`-r` / `--raw`	输出完整 JSON 响应	否

模型特性

MiMo-V2.5：310B MoE，15B 激活参数，支持图文音视频全模态，128K 上下文
支持中英文混合输入，中文 prompt 效果良好
单张图片建议控制文件大小，过大可能导致 400 错误
超时 120 秒，大图或复杂任务可能较慢

使用场景示例

用户说什么	我应该做什么
"帮我看看这张图"	`mimo_vision.py -i 图片 -p "请详细描述这张图片。"`
"这个报错截图啥意思？"	`mimo_vision.py -i 截图 -p "这是一个报错截图，请识别错误信息并解释原因。"`
"这个设计和那个设计哪个好？"	`mimo_vision.py -i 设计A -i 设计B -p "从设计角度比较这两张图，给出优劣分析。"`
用户发来一张游戏截图	`mimo_vision.py -i 截图 -p "请详细描述这个游戏画面中的内容，包括UI、角色、场景等。"`

API 信息

端点：POST https://api.xiaomimimo.com/v1/chat/completions
认证：api-key: $MIMO_API_KEY（已配置在 settings.local.json）
模型：mimo-v2.5
能力：图片理解、视频理解、音频理解、文本对话
参考文档：https://platform.xiaomimimo.com

注意事项

主动使用！当用户的问题需要看图才能准确回答时，不要猜，直接调脚本看
--prompt 要具体明确——"提取所有文字"比"看看"效果好得多
脚本 stdout 就是我对图片的认知，我应该在回复中基于这个认知来回答用户
如果脚本报编码错误，用 --raw 获取 JSON 再从中提取 content

name	MiMo视觉识别
description	调用小米 MiMo-V2.5 多模态模型识别/理解图片。这是 Agent 的"眼睛"——当用户发来图片、截图、照片，或 Agent 需要查看图片内容来回答问题、理解上下文时触发。