Menu
凭证图像字段边界框定位技能，精确定位指定字段区域的bbox坐标，千分制格式[x1,y1,x2,y2]。触发词：bbox定位、字段定位、坐标识别、区域定位
The review-first prompt is selected by default. You can switch to a direct command or download a local copy.
Read SKILL.md and any companion files shown by SkillsMP before deciding whether to install.
Install with Codex or Claude Copy this prompt, paste it into Codex, Claude, or another assistant, and let it review the skill page and install it for you.
A direct command skips the review prompt. Inspect the source before running it.
npx skills add https://github.com/openJiuwen-ai/agent-store --skill extractor-img-bbox-locate-202607The command stays on one line. Scroll horizontally to inspect it before copying.
Prefer a local copy? Download the files currently available to 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。
Based on SOC occupation classification
Showing SKILL.md
| name | extractor-img-bbox-locate-202607 |
| description | 凭证图像字段边界框定位技能，精确定位指定字段区域的bbox坐标，千分制格式[x1,y1,x2,y2]。触发词：bbox定位、字段定位、坐标识别、区域定位 |
| version | 1.0.0 |
扮演凭证图像字段定位专家。通过 VL 视觉语言模型在凭证/文档图像中精确定位指定字段区域的边界框，输出千分制绝对坐标格式的 bbox，为下游要素提取提供定位依据。
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：
在凭证图像中精确定位指定字段区域的边界框，输出千分制绝对坐标格式的 bbox（单字段/批量/多页支持），为要素提取提供精确定位。
| 属性 | 值 | | 任务类型 | 凭证字段定位 | | 风险等级 | 低（定位精度影响下游提取质量） | | 数据依赖 | 字段名-值映射 + 原始图片 + VL 视觉模型 | | 决策类型 | 坐标定位（非判断型） |
| 要求项 | 状态 | | 监管合规 | 不涉及个人金融信息输出 | | 免责声明 | bbox定位结果仅供参考，精度可能存在偏差 | | 审计日志 | 记录调用链、入参摘要、模型版本、时间戳 | | 引用来源 | 坐标系统文档 |
| 参数名 | 类型 | 必填 | 说明 | | fields | Dict[str, str] | 是 | 字段名到字段值的映射 | | images | List[str] | 是 | Base64 图片列表 |
| 参数名 | 类型 | 必填 | 说明 | | field_name | str | 是 | 字段名称 | | field_value | str | 是 | 字段值 | | images | List[str] | 是 | Base64 图片列表 |
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 | | success | bool | 是否成功 | | bboxes | Dict[str, List[int]] | 逐字段bbox坐标 | | error | str | 错误信息 | | processing_time_ms | float | 处理耗时 |
批量定位坐标格式：[page_index, x1, y1, x2, y2]，page_index 为 0-based 页码。
# Role
你是凭证图像字段定位专家
# Tool Routing 规则（按 priority）
1. VL 视觉模型 → 字段内容定位（优先）
2. 文本启发 → 字段值关键字定位（辅助）
# Selection 策略
- 单字段定位: locate-field（精确定位单个字段）
- 批量定位: locate-all-fields（并行定位多个字段）
# Fallback
VL 模型调用失败 → 返回定位失败，标注数据缺口
| 节点 | 模块 | 任务 | 状态 | 检查点 | | N1-输入校验 | 输入模块 | 校验fields和images非空 | 必须 | fields非空 | | N2-VL定位 | VL模型模块 | 调用VL模型定位字段区域 | 核心 | 返回bbox坐标 | | N3-坐标验证 | 后处理模块 | 验证bbox坐标合理性 | 辅助 | 坐标在0-1000范围内 | | N4-输出组装 | 输出模块 | 组装标准输出格式 | 必须 | JSON格式合规 |
所有 bbox 使用千分制绝对坐标（0-1000）。像素坐标换算：pixel_x = bbox_x / 1000 * image_width。
详细说明见 坐标系统文档。
{
"success": true,
"bboxes": {"收款人": [0,120,350,480,390], "金额": [1,500,600,800,640]},
"error": null,
"processing_time_ms": 3200.0
}
| 依赖系统 | 作用 | 必需 | | VL 视觉语言模型 | 字段区域定位 | 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 | 返回定位失败，标注数据缺口 | | HTTP REST API | HTTP | P1 | MCP不可用时通过HTTP调用 |
VL 模型调用失败: 返回定位失败，标注数据缺口 字段在图片中不存在: 该字段 bbox 为空，标注"字段未找到" 多页凭证定位失败: 单页定位成功时仍返回部分结果
会话级缓存：同一图片的字段定位结果缓存至会话结束，TTL = 会话生命周期
| 指标 | 目标 | | 定位准确率 | ≥ 90%（bbox与人工标注重叠率） | | 单字段定位延迟 | ≤ 5s | | 批量定位延迟 | ≤ 20s（10字段） |
记录工具调用链、入参（字段数/图片数）、出参摘要（定位字段数）、数据源（模型名称）、时间戳、模型版本、处理耗时
本 bbox 定位结果由 AI Agent 自动生成，仅供参考，精度可能存在偏差。
满足以下任一条件时，结束技能执行：
输入：
{ "fields": {"收款人": "张三", "金额": "10000.00"}, "images": ["base64_page1"] }
输出：
{ "success": true, "bboxes": {"收款人": [0,120,350,480,390], "金额": [0,500,600,800,640]}, "error": null, "processing_time_ms": 3200.0 }
import asyncio
from scripts.field_locator import FieldLocator
async def main():
locator = FieldLocator(
api_key="your-api-key",
base_url="${your-base-url}",
model="${your-model-name}"
)
result = await locator.locate_all_fields(
images=["base64_page1"],
fields={"收款人": "张三", "金额": "10000.00"}
)
asyncio.run(main())