agnes-multimodal

name	agnes-multimodal
description	Agnes AI 全模态生成技能。覆盖文本生成(agnes-2.5-flash)、文生图(agnes-image-2.1-flash)、 图生图、文生视频、图生视频、关键帧动画、自动中译英、异步轮询。一个 Skill 全部搞定。 当用户需要 AI 生成文本、图片、视频，或提到 "Agnes"、"agnes"、"AI 画图"、"AI 生成视频"、 "AI 图片"、"文生图"、"图生图"、"文生视频"、"关键帧动画"、"用 Agnes 生成" 时触发。 API Key 默认从环境变量 AGNES_API_KEY 读取，也可在 agnes_client.py 中硬编码。
disable-model-invocation	true

Agnes AI 全模态生成 Skill

概述

本 Skill 封装了 Agnes AI (Sapiens AI) 的全部生成能力，通过一个 CLI 脚本统一调用：

• 文本生成: agnes-2.5-flash（支持 Thinking 推理模式）
• 图片理解/Vision: agnes-2.5-flash（OpenAI Vision API 兼容，可分析图片内容）
• 文生图: agnes-image-2.1-flash（高信息密度优化）
• 图生图: agnes-image-2.1-flash（保持构图）
• 文生视频: agnes-video-v2.0
• 图生视频: agnes-video-v2.0
• 关键帧动画: agnes-video-v2.0 + 多图输入
• 自动翻译: 中文提示词自动译英文后调用 API
• 异步轮询: 视频任务自动轮询直到完成

前置条件

1. 确认 API Key 已配置：

   • 优先读取 scripts/agnes_client.py 中硬编码的 API_KEY
   • 如为占位符 YOUR_AGNES_API_KEY_HERE，则回退读取环境变量 AGNES_API_KEY
   • 若均未配置，提醒用户在代码或环境变量中设置 API Key

2. Python 3.8+，标准库 urllib + json 即可，无需额外依赖。

CLI 命令速查

脚本位置: scripts/agnes_client.py

# 文本生成
python scripts/agnes_client.py text "你的提示词"
python scripts/agnes_client.py text "你好" --stream
python scripts/agnes_client.py text "帮我写一个快速排序" --thinking  # 2.5 推理模式

# 文生图
python scripts/agnes_client.py image "A futuristic city at sunset, cinematic realism" --size 1024x768
python scripts/agnes_client.py image "一只在月光下散步的猫"

# 图生图（自动比例检测 — 默认按主参考图比例输出）
python scripts/agnes_client.py image "Transform to cyberpunk night" --image-url "https://...input.png" --image-url "https://...ref.png"

# 图生图 + 手动指定 ratio（不自动检测）
python scripts/agnes_client.py image "Transform to cyberpunk night" --image-url "https://...input.png" --ratio 16:9

# 文生视频（自动轮询）
python scripts/agnes_client.py video "A drone flying over mountains at sunrise" --poll

# 图生视频
python scripts/agnes_client.py video "Add motion to this scene" --image-url "https://...frame.png" --poll

# 关键帧动画
python scripts/agnes_client.py video --keyframes "https://a.com/1.png,https://a.com/2.png,https://a.com/3.png" --poll

# 只提交视频任务不等待
python scripts/agnes_client.py video "..." --no-poll

# 查询视频任务状态
python scripts/agnes_client.py video-status TASK_ID

# 翻译中文提示词
python scripts/agnes_client.py translate "一只猫"

# 图片理解 / Vision（用 agnes-2.5-flash 分析图片内容）
python scripts/agnes_client.py vision --image-url "https://example.com/photo.png"
python scripts/agnes_client.py vision --image-url "https://example.com/photo.png" --prompt "What brand is this watch?"

# 冒烟测试（验证 API 连通性）
python scripts/agnes_client.py smoke-test

完整工作流

文生图流程

1. 接收用户的中文/英文提示词
2. 若含中文且未指定 --no-translate，自动调用 agnes-2.5-flash 翻译为英文
3. 调用 POST /v1/images/generations（模型: agnes-image-2.1-flash）
4. 从响应 data[0].url 提取图片 URL
5. 将结果返回给用户（显示 URL，或尝试用 curl/浏览器打开）

图生图流程

1. 确认用户提供了输入图片 URL 或本地路径
2. 如需翻译提示词，执行翻译
3. 调用同一 endpoint，在 extra_body.image 中传入输入图片 URL 数组
4. 返回生成结果

视频生成流程

1. 确定模式: t2v / ti2vid / keyframes（注意：图生视频 mode 为 ti2vid，不是 i2v）
2. 提交 POST /v1/videos 获取 task_id
3. 轮询 GET /v1/videos/{task_id}（默认间隔 5s，最长 600s）
4. 状态变为 completed 后提取 video_url
5. 返回 MP4 视频下载链接

视频参数约束

• num_frames 必须满足 8n + 1，最大 441
• 默认: num_frames=121, frame_rate=24（约 5 秒）
• 快速测试用 --num-frames 81（约 3.4 秒）

图片理解 (Vision) 流程

agnes-2.5-flash 支持 OpenAI Vision API 格式的多模态输入，可分析图片内容并返回文字描述。这是"给不具备视觉能力的模型提供眼睛"的桥接方案。2.5 版本的图像理解能力比 2.0 更强，细节识别更准确。

1. 确保图片已上传到可公网访问的 HTTP(S) URL
2. 调用 vision 命令，传入图片 URL + 可选的分析提示词
3. 返回文字描述，可直接作为上下文传给其他模型（如"请对这张图片中的手表设计给出改进建议"——先 vision 获取描述，再传给任意文本模型分析）

Vision 命令参数：

• --image-url（必填，可多次指定）: 要分析的图片 URL
• --prompt（可选）: 分析提示词，默认 "Describe this image in detail."
• --system（可选）: 系统提示词
• --max-tokens（可选）: 最大输出 tokens，默认 1000
• --no-translate（可选）: 跳过自动翻译（英文 prompt 建议使用）

提示词最佳实践

图片 Prompt 结构

[Subject] + [Scene] + [Style] + [Lighting] + [Composition] + [Quality]

示例:

A luxury watch with a black leather strap on a marble surface, soft studio lighting, macro photography, 8K detail, high visual density

图生图 Prompt

明确描述要改变什么 + 保持什么:

Transform the background to a dark luxury setting while preserving the watch design and angle.

视频 Prompt

加入运镜和时间元素:

A slow 360-degree rotation around the watch, revealing every detail, cinematic lighting, smooth movement

价格

模型	定价
agnes-2.5-flash (文本/Vision/推理)	免费 ($0/1M tokens)
agnes-image-2.1-flash (图片)	免费 ($0/image)
agnes-video-v2.0 (视频)	请查阅官网最新定价

已知限制

• 2.5 Thinking 模式会返回 reasoning_content 字段（思考过程），会增加少量输出 token
• 视频生成偶有 division by zero 服务端错误
• 多图视频/关键帧动画尚未完整端到端验证
• 图片 API 仅接受 HTTP(S) URL 作为输入，不支持 base64

自动比例检测（i2i）

i2i 时若未指定 --ratio，脚本会自动检测主参考图（即第一个 --image-url）的宽高比，并映射到 agnes-image-2.1-flash 支持的 8 种官方 ratio 之一（1:1 / 3:4 / 4:3 / 16:9 / 9:16 / 2:3 / 3:2 / 21:9），避免输出画布比例与输入主体不一致导致人物变形。

# 自动检测：会打印 [INFO] Main reference image: ... → auto ratio: ...
python scripts/agnes_client.py image "prompt" --image-url MODEL_URL --image-url REF_URL --size 2K

# 手动指定（跳过自动检测）
python scripts/agnes_client.py image "prompt" --image-url MODEL_URL --ratio 16:9

主参考图约定：第一个 --image-url 视为决定构图/比例的主体（通常是模特/产品图），第二张及以后视为风格/细节参考。如需切换主参考图，交换 --image-url 顺序即可。

参考

• API 详细文档: references/api_reference.md
• 官网: https://agnes-ai.com/
• API 平台: https://platform.agnes-ai.com/