rk-vl

name	rk-vl
description	基于视觉大语言模型做自由描述目标检测与摄像头持续监控。支持对单张图片检测“包裹”“快递盒”“门口纸箱”等自然语言目标，也支持在用户要求“监控摄像头有某个目标出现时提醒我”时启动后台监控。

rk-vl

进入本 skill 的 scripts 目录后：

• 单次图像检测执行 detect_target.py
• 持续监控执行 watch.sh

支持的目标描述

rk-vl 不限制固定类别，直接支持用户的自然语言描述，例如：

• 包裹
• 门口的快递盒
• 桌上的红色杯子
• 穿红衣服的人

监控模式中，用户的描述会原样作为 query 传给视觉模型。

用法示例

对本地图像做检测：

python3 ./detect_target.py --image /tmp/test.jpg --query "包裹"

启动监控：

./watch.sh start 包裹

也可以使用更长的自然语言描述：

./watch.sh start 门口的快递盒

取消监控：

./watch.sh stop

状态查询：

./watch.sh status

监控触发语义

遇到以下意图时，执行 watch.sh start ...：

• “帮我监控摄像头，有出现包裹的时候提醒我”
• “请帮我监控门口有快递盒出现时提醒我”
• “帮我盯着摄像头，看到桌上的红色杯子就通知我”

遇到以下意图时，执行 watch.sh stop：

• “取消目标监控”
• “取消摄像头监控”
• “停止监控包裹”

监控提醒行为

• 监控脚本持续运行，直到用户明确取消
• 同时只保留一个全局监控任务；新监控会覆盖旧监控
• 默认策略：
  • 每 2 秒检测一次
  • 首次出现立即提醒
  • 同一目标 2 分钟内不重复提醒
  • 如果目标持续存在，超过 10 分钟再次提醒
  • 连续 2 次未命中后视为目标离开
• 发送目标会自动从 ~/.openclaw/qqbot/data/known-users.json 中选择最近联系人
• 提醒消息必须包含图片文件标签，格式固定为：

检测到目标“包裹”，图像如下：<qqfile>输出图片绝对路径</qqfile>

权限限制

• 你没有权限调用 sessions_spawn 工具
• 所有任务必须在当前会话内完成，不得创建子 Agent
• 如果用户要求需要并行处理的任务，请使用串行方式逐步完成

输出说明

1. 单次检测输出

detect_target.py 标准输出固定为 JSON：

• 有目标：{"matches":[...]}
• 无目标：{}

2. 监控模式完成后操作

• watch.sh start 成功后，必须明确告诉用户监控已启动，以及当前监控的目标描述
• watch.sh stop 成功后，必须明确告诉用户监控已停止
• 如果没有运行中的监控而用户要求取消，直接告诉用户当前没有运行中的摄像头监控

注意事项

• 每次都需要重新抓取一张图像检测，禁止直接使用上次结果
• 执行错误直接将错误告诉用户
• 如果没有目标则直接告诉用户没有检测到目标，禁止虚构结果
• 通过 QQBot 发送文件：必须使用 <qqfile>绝对路径</qqfile> 格式，标签内不能有 path= 属性