| name | dmxapi-image-recognition |
| description | 使用 DMXAPI 平台进行图像识别和理解。支持 Gemini 等多模态视觉模型。可进行图片描述、OCR文字识别、图表数据分析、物体检测、场景理解等任务。当用户需要识别图片内容、提取图片文字、分析图表、理解图像时使用此技能。 |
| compatibility | Requires Node.js 20+ and dmxapi-cli installed |
| metadata | {"author":"onee-io","version":"1.0.0"} |
DMXAPI 图像识别/理解
通过 DMXAPI 统一 CLI 调用多种 AI 视觉模型进行图像识别和理解。
前置准备
-
安装 CLI 工具（需要 Node.js 20+）：
npm install -g dmxapi-cli
-
配置 API Key（从 DMXAPI 控制台 获取）：
dmxapi config set apiKey sk-your-api-key
命令格式
dmxapi chat -m <model> "提示词" --image <path>
选项
| 选项 | 说明 | 示例 |
|---|
-m, --model <model> | 视觉模型名称（默认 gpt-5-mini） | -m gemini-3-flash-preview |
--image <path> | 图片路径（本地文件或 URL） | --image ./photo.png |
-s, --system <message> | 系统消息（定义识别任务） | -s "你是一个OCR专家" |
-t, --temperature <number> | 采样温度 0-2 | -t 0.3 |
--max-tokens <number> | 最大输出 token 数 | --max-tokens 2000 |
支持的图片格式
- PNG (
.png)
- JPEG (
.jpg, .jpeg)
- WebP (
.webp)
- GIF (
.gif)
图片输入方式
-
本地文件路径：自动转换为 base64 data URL
dmxapi chat "描述这张图片" --image ./photo.jpg
-
远程 URL：直接使用网络图片
dmxapi chat "分析这张图片" --image https://example.com/image.png
推荐模型
| 模型 | 特点 | 适用场景 |
|---|
gpt-5-mini | 默认模型，速度快，成本低 | 通用图像识别 |
gemini-3-flash-preview | Google 最新视觉模型 | 复杂图像分析、场景理解 |
使用步骤
- 确定用户的图像识别需求类型（描述、OCR、分析等）
- 选择合适的视觉模型
- 根据任务类型编写精确的提示词
- 构建
dmxapi chat 命令并执行
- 将识别结果返回给用户
示例
图片描述
dmxapi chat "请详细描述这张图片的内容" --image ./landscape.jpg
dmxapi chat "用一句话描述这张图片" --image ./photo.png
OCR 文字识别
dmxapi chat "识别图片中的所有文字，按原始排版输出" --image ./document.png
dmxapi chat "识别图片中的手写文字" --image ./handwriting.jpg
dmxapi chat "识别图片中的表格，以 Markdown 表格格式输出" --image ./table.png
图表数据分析
dmxapi chat "分析这张图表，提取关键数据点并总结趋势" --image ./chart.png
dmxapi chat "提取图中柱状图的所有数值，以 JSON 格式输出" --image ./bar-chart.jpg
物体检测与识别
dmxapi chat "识别图片中的所有物体，列出它们的名称和位置" --image ./room.jpg
dmxapi chat "识别图片中的植物种类" --image ./flower.png
场景理解
dmxapi chat "分析这张图片的场景，描述环境、氛围和可能的用途" --image ./scene.jpg
dmxapi chat "检查这张图片是否存在安全隐患" --image ./workplace.png
文档理解
dmxapi chat "总结这张文档图片的主要内容" --image ./contract.png
dmxapi chat "从身份证图片中提取姓名和身份证号" --image ./id-card.jpg
代码/截图识别
dmxapi chat "识别图片中的代码并输出为可复制的文本格式" --image ./code-screenshot.png
dmxapi chat "分析这个 UI 界面的设计元素和布局" --image ./ui-screenshot.jpg
使用 System 消息增强效果
通过 -s 参数设置 system 消息，可以让模型专注于特定任务：
dmxapi chat -s "你是一个专业的OCR识别助手，只输出识别到的文字内容，不要添加任何解释" "识别文字" --image ./doc.png
dmxapi chat -s "你是一个数据分析专家，擅长从图表中提取数据" "分析图表" --image ./chart.png
dmxapi chat -s "识别图片中的文字，如果是英文请翻译成中文" "识别并翻译" --image ./english-doc.png
注意事项
- 本地图片文件会自动转换为 base64 data URL 上传
- 远程 URL 图片直接传递给 API 处理
- 对于复杂识别任务，建议使用
gemini-3-flash-preview
- 如果识别结果不满意，可以调整提示词或降低 temperature 参数获得更确定的输出
