minimax-image-understanding

name	minimax-image-understanding
description	跨平台截图分析工具，基于 MiniMax 多模态 API。支持 macOS (screencapture) 和 Windows (PowerShell) 截图，自动完成截图→Base64编码→API调用全流程。适用于：错误信息分析、代码解读、UI设计分析、文字提取、图表数据解读等场景。

MiniMax 图像理解技能

支持 macOS 和 Windows 的跨平台截图分析工具。

功能特性

1. 一键截图+分析 - 自动完成截图、编码、API调用全流程
2. macOS 优先支持 - 使用原生 screencapture 命令
3. Windows 支持 - 使用 PowerShell 截图
4. 4K屏幕支持 - 自动检测并截取完整画面
5. 图片解读 - 使用 MiniMax 多模态 AI 分析图片

快速开始

一键启动器（最简单）

cd /Users/dingma/work/DriFox/DriFox/app/skills/minimax-image-understanding/scripts
python launcher.py

启动器会自动：

1. 检测 Python 环境
2. 检查 API Key 配置
3. 测试截图功能
4. 执行截图分析

命令行使用

# 截图并分析
python capture_and_analyze.py

# 仅分析已有图片
python capture_and_analyze.py --no-screenshot -f myimage.png

# 自定义提示词
python capture_and_analyze.py -p "请分析这个错误信息"

# 仅截图
python take_screenshot.py screenshot.png

# 仅分析
python analyze_image.py --file screenshot.png

API Key 配置

方式一：环境变量（推荐）

# macOS/Linux
export MINIMAX_API_KEY=sk-cp-xxxxxxxxxxxx

# Windows
set MINIMAX_API_KEY=sk-cp-xxxxxxxxxxxx

方式二：配置文件

# 创建配置文件
mkdir -p ~/.minimax
echo "sk-cp-xxxxxxxxxxxx" > ~/.minimax/api_key

API 配置（已内置）

api_host = "api.minimax.chat"
endpoint = "/v1/coding_plan/vlm"

工作流程

┌─────────────────────────────────────────┐
│  capture_and_analyze.py (一键入口)      │
└────────────────┬────────────────────────┘
                 │
         ┌───────┴───────┐
         ▼               ▼
    [macOS]          [Windows]
 screencapture    PowerShell截图
         │               │
         └───────┬───────┘
                 ▼
    ┌─────────────────────────┐
    │  Base64 编码 + API 调用  │
    │  prompt + image_url      │
    └────────────┬────────────┘
                 ▼
    ┌─────────────────────────┐
    │  MiniMax 视觉理解 API    │
    └────────────┬────────────┘
                 ▼
         返回分析结果

常见用法

场景	命令
分析报错	python capture_and_analyze.py -p "请分析这个截图中的错误信息"
代码解读	python capture_and_analyze.py -p "请描述截图中显示的代码内容"
UI分析	python capture_and_analyze.py -p "分析这个界面的布局和设计"
文字提取	python capture_and_analyze.py -p "提取图片中的所有文字内容"
图表分析	python capture_and_analyze.py -p "描述这个图表显示的数据和趋势"

文件结构

minimax-image-understanding/
├── SKILL.md                      # 技能定义文件
├── scripts/
│   ├── launcher.py                # 一键启动器
│   ├── capture_and_analyze.py     # 一键截图+分析入口
│   ├── take_screenshot.py         # 独立截图脚本
│   ├── analyze_image.py          # 独立分析脚本
│   ├── requirements.txt           # Python依赖（可选）
│   └── common/
│       ├── __init__.py
│       └── utils.py               # 通用工具（截图、API Key、Python探测）

技术细节

跨平台支持

平台	截图方式	命令
macOS	screencapture	screencapture -x output.png
Windows	PowerShell	System.Drawing.Graphics.CopyFromScreen

API 调用格式

payload = {
    "prompt": "请详细描述这张图片的内容",
    "image_url": "data:image/png;base64,<base64数据>"
}

url = "https://api.minimax.chat/v1/coding_plan/vlm"

响应格式

{
  "base_resp": {
    "status_code": 0,
    "status_msg": "success"
  },
  "content": "图片分析结果..."
}

错误处理

错误	说明	解决方案
截图权限	macOS 未授权屏幕录制	系统设置 → 隐私与安全性 → 屏幕录制
API Key 无效	401/403 错误	检查 MINIMAX_API_KEY 是否正确
模型不支持	2013 错误	确认使用 /v1/coding_plan/vlm 端点
网络超时	连接失败	检查网络连接或增加超时时间

macOS 截图权限设置

如果遇到截图权限问题：

1. 打开 系统设置 → 隐私与安全性 → 屏幕录制
2. 找到并启用你的终端应用或 Python
3. 如果列表中没有，点击 + 添加

或者使用命令授权：

tccutil reset ScreenCapture

然后重新打开应用触发权限请求。