القائمة
凭证图像特征维度分析和元素等级判断技能，评估6个质量维度和15种元素类型，等级L1-L4。触发词：图像质量分析、元素检测、凭证质量评估、特征维度
يُحدَّد Prompt الذي يراجع المصدر أولًا بشكل افتراضي. يمكنك التبديل إلى أمر مباشر أو تنزيل نسخة محلية.
اقرأ SKILL.md وأي ملفات مرافقة يعرضها SkillsMP قبل أن تقرر التثبيت.
التثبيت باستخدام Codex أو Claude انسخ هذا Prompt والصقه في Codex أو Claude أو مساعد آخر ليراجع صفحة Skill ويثبّتها لك.
يتجاوز الأمر المباشر Prompt المخصّص للمراجعة. افحص المصدر قبل تشغيله.
npx skills add https://github.com/openJiuwen-ai/agent-store --skill extractor-img-feature-judge-202607يبقى الأمر في سطر واحد. مرّر أفقيًا لمراجعته كاملًا قبل النسخ.
تفضّل نسخة محلية؟ نزّل الملفات المتاحة حاليًا لدى SkillsMP.
异常检测预警。基于规则引擎对网点运营数据执行异常检测，输出 CRITICAL/WARN/INFO 三级预警。触发词：异常检测、风险预警、今日预警、告警、有没有异常。当用户提到异常检测相关查询时触发。
网点数据查询。通过 NL2SQL 将自然语言转换为 SQL 语句，查询网点交易、客流、营销数据。支持大额交易、交易汇总、失败交易、对公客户等查询。触发词：今天大额交易、交易情况、客流量、营销转化率、失败交易、对公客户、交易汇总。当用户提到网点运营数据查询时触发。
网点全景概览。组合调用前三个 Skill 生成日终运营报告。触发词：网点概况、今日运营、日终报告、全景概览、整体情况。当用户提到网点全景查询时触发。
استنادا إلى تصنيف SOC المهني
عرض SKILL.md
| name | extractor-img-feature-judge-202607 |
| description | 凭证图像特征维度分析和元素等级判断技能，评估6个质量维度和15种元素类型，等级L1-L4。触发词：图像质量分析、元素检测、凭证质量评估、特征维度 |
| version | 1.0.0 |
扮演凭证图像质量与元素分析专家。通过 VL 视觉语言模型对凭证图像进行多维度特征分析，包括6个图像质量属性评估、15种元素类型检测和 L1-L4 等级判断，输出 bbox 坐标和质量评估报告。
银行凭证智能提取
当用户提及或需要进行以下场景时触发：
在开始工作前，确认以下条件满足：
对凭证图像进行6个质量维度评估、15种元素类型检测和 L1-L4 等级判断，输出结构化的分析报告（含 bbox 坐标和裁剪 base64）。
| 属性 | 值 | | 任务类型 | 凭证图像质量分析 | | 风险等级 | 低（质量评估影响下游提取效率） | | 数据依赖 | 原始凭证图片 + VL 视觉模型 | | 决策类型 | 评估判断（L1-L4 等级） |
| 要求项 | 状态 | | 监管合规 | 不涉及个人金融信息输出 | | 免责声明 | 分析结果仅供参考 | | 审计日志 | 记录调用链、入参摘要、模型版本、时间戳 | | 引用来源 | 元素等级标准文档 |
| 参数名 | 类型 | 必填 | 说明 | | image_input | str | 是 | 图像文件路径或 base64 编码 | | include_crop_base64 | bool | 否 | 是否返回裁剪图像 base64（默认 true） | | output_format | str | 否 | 输出格式：json 或 summary（默认 json） |
模型配置：vl_config 可选传递。不传时服务端自动注入；传递时使用调用方指定的配置。
| 输出名 | 类型 | 说明 | | image_size | Dict | 图片尺寸 {宽度, 高度} | | image_quality | Dict | 6维质量评估 {清晰度, 倾斜角度, 完整性, 有效信息占比, 元素种类混合度, 拍摄角度} | | element_types | Dict | 15种元素类型检测结果 {印章, 表格, ...} | | element_grade_results | List[Dict] | 元素等级判断 [{元素类型, 等级(L1-L4), bbox}] | | statistics | Dict | 统计信息 {总bbox数, 等级分布} | | errors | List[str] | 错误列表 |
# Role
你是凭证图像质量与元素分析专家
# Tool Routing 规则（按 priority）
1. VL 视觉模型 → 元素检测 + 质量评估（优先）
2. 二次裁剪验证 → bbox 精度确认（辅助）
# Selection 策略
- output_format=json: 完整结构化分析报告
- output_format=summary: 简要摘要
# Fallback
VL 模型调用失败 → 返回空分析结果，标注"分析失败"
| 节点 | 模块 | 任务 | 状态 | 检查点 | | N1-输入校验 | 输入模块 | 校验图片可访问 | 必须 | 图片非空 | | N2-VL质量评估 | VL模型模块 | 6维质量评估 | 核心 | 质量指标齐全 | | N3-元素检测 | VL模型模块 | 15种元素类型检测 | 核心 | 元素列表 | | N4-等级判断 | VL模型模块 | L1-L4等级判断 | 核心 | 每元素有等级 | | N5-bbox裁剪验证 | 后处理模块 | 二次裁剪验证bbox | 辅助 | bbox精度 | | N6-输出组装 | 输出模块 | 组装标准输出 | 必须 | JSON格式 |
{
"image_size": {"宽度": 1920, "高度": 1080},
"image_quality": {"清晰度": {...}, "倾斜角度": {...}, ...},
"element_types": {"印章": {...}, "表格": {...}, ...},
"element_grade_results": [{"元素类型": "印章", "等级": "L1", ...}],
"statistics":
| 依赖系统 | 作用 | 必需 | | VL 视觉语言模型 | 元素检测+质量评估 | 是 | | Python 3.8+ | 运行环境 | 是 |
| 模块名 | 类型 | 优先级 | 降级策略 | | VL视觉模型 | MCP tool | P0 | 返回空分析结果，标注"分析失败" | | HTTP REST API | HTTP | P1 | MCP不可用时通过HTTP调用 |
VL 模型调用失败: 返回空分析结果，标注"分析失败" 图片解码失败: 返回错误 二次裁剪验证失败: 保留原始 bbox，标注"未验证"
会话级缓存：同一图片的分析结果缓存至会话结束，TTL = 会话生命周期
| 指标 | 目标 | | 元素检测准确率 | ≥ 85% | | 等级判断一致性 | ≥ 80%（与人工标注对比） | | 单次调用延迟 | ≤ 10s |
记录工具调用链、入参（图片来源/尺寸）、出参摘要（元素数/等级分布）、数据源（模型名称）、时间戳、模型版本
本分析结果由 AI Agent 自动生成，仅供参考，不保证100%准确。
满足以下任一条件时，结束技能执行：
输入：
{ "image_input": "<IMAGE_INPUT_PATH>", "include_crop_base64": true }
输出：
{
"image_size": {"宽度": 1920, "高度": 1080},
"image_quality": {"清晰度": {"评分": 8, "描述": "清晰"}},
"element_grade_results": [{"元素类型": "印章", "等级": "L1", "bbox": [100,200,300,400]}],
"statistics": {"总bbox数": 3
from scripts.analyzer import analyze_image, VLModelConfig
vl_config = VLModelConfig(
api_key="${your-api-key}",
model="${your-model-name}",
base_url="${your-base-url}"
)
result = analyze_image(
image_input="D:/path/to/image.jpg",
vl_config=vl_config,
include_crop_base64=True
)
print(result.to_dict())
python scripts/analyzer.py <IMAGE_INPUT_PATH> \
--api-key ${your-api-key} \
--model ${your-vl-model} \
--base-url ${your-base-url} \
--output json \
--save result.json