| name | mmx-image |
| description | Use mmx to generate or analyze images via MiniMax (image-01 for generation, vision for understanding). Use when the user wants to generate images from text, analyze/describe images, extract text from images, check image content, or do character-consistent image generation. Triggers on "生成图片", "图片生成", "看图", "图片识别", "image generate", "describe image", "图片理解", "从图生图", "角色一致性". |
MiniMax 图片生成与识别技能
两种能力：
- 生成：
mmx image generate（model: image-01）— 文字→图片
- 识别：
mmx vision describe（VLM）— 图片→文字描述/分析
默认原则：先判断用户想「生成」还是「理解」图片，分别进入不同流程。
工作流选择
digraph {
"用户想做什么？" [shape=diamond];
"生成流程" [shape=box];
"识别流程" [shape=box];
"用户想做什么？" -> "生成流程" [label="根据描述创建图片"];
"用户想做什么？" -> "识别流程" [label="分析/理解已有图片"];
}
生成流程
G1. 引导需求
| 问题 | 目的 |
|---|
| 想画什么？（主体+场景+风格） | 核心描述 |
| 比例是多少？（16:9 横屏 / 1:1 方形 / 9:16 竖屏） | --aspect-ratio |
| 要几张？（想多选一张最好的？） | --n |
| 有角色参考图吗？（保持人物一致性） | --subject-ref |
G2. Prompt 构建
结构：[主体] + [动作/状态] + [场景/背景] + [风格/氛围] + [细节修饰]
| 用户描述 | 专业提示词 |
|---|
| 古风仙女 | ethereal celestial maiden in white flowing robes, misty mountains, moonlight, ink wash painting style |
| 产品图 | sleek smartphone on white background, studio lighting, clean minimal, commercial photography |
| 赛博朋克城市 | cyberpunk cityscape at night, neon reflections on wet streets, towering holographic ads, cinematic |
| 可爱卡通风 | cute chibi character, pastel colors, soft shading, white background, digital illustration |
| 写实人像 | photorealistic portrait, soft natural light, shallow depth of field, detailed facial features |
提升质量的通用词：
- 细节：
ultra-detailed, 8K, sharp focus
- 艺术风格：
digital art, concept art, watercolor, oil painting
- 光线：
golden hour, soft studio light, dramatic shadows
G3. 生成命令
两种输出方式：
| 方式 | 命令 | 图片位置 |
|---|
| 指定精确路径（推荐） | --out /path/to/file.jpg | 直接保存到该路径 |
| 目录 + 自动命名 | --out-dir ./output/ | image_001.jpg 等 |
--out vs --out-dir 注意事项：
--out 在指定精确路径方面可靠，但 --out-dir + auto-naming 适合批量生成多张mmx image generate 的 --out 会截断输出（只显示第一个文件名），但文件实际保存正确
示例：
mmx image generate \
--prompt "A majestic white wolf in a snowy forest, ethereal, photorealistic" \
--aspect-ratio 16:9 \
--out ./wolf.jpg \
--quiet
mmx image generate \
--prompt "Minimalist logo design, geometric, professional" \
--n 4 \
--aspect-ratio 1:1 \
--out-dir ./logos/ \
--quiet
mmx image generate \
--prompt "Banner background, abstract blue gradient" \
--width 1920 --height 1080 \
--out ./banner.png \
--quiet
mmx image generate \
--prompt "A castle on a cliff at sunset" \
--seed 42 \
--aspect-ratio 16:9 \
--out ./castle.jpg \
--quiet
mmx image generate \
--prompt "The character sits in a cafe, reading a book, warm light" \
--subject-ref "type=character,image=character.jpg" \
--aspect-ratio 1:1 \
--out ./person.jpg \
--quiet
mmx image generate \
--prompt "sunset" \
--prompt-optimizer \
--aspect-ratio 16:9 \
--out ./sunset.jpg \
--quiet
识别流程
V1. 使用场景
| 任务 | 方法 |
|---|
| 图片内容描述 | 默认 prompt（不传） |
| 提取图片中的文字（OCR） | --prompt "请提取图片中所有文字" |
| 分析 UI 截图 | --prompt "描述这个界面的结构和功能" |
| 识别错误截图 | --prompt "这个错误信息是什么？怎么解决？" |
| 分析架构图/流程图 | --prompt "解释这张图的结构和各组件关系" |
| 判断图片内容是否符合要求 | --prompt "这张图是否包含XX？" |
V2. 识别命令
mmx vision describe \
--image photo.jpg \
--quiet
mmx vision describe \
--image screenshot.png \
--prompt "这个界面是做什么的？有什么问题？" \
--quiet
mmx vision describe \
--image "https://example.com/image.jpg" \
--prompt "描述这张图片" \
--quiet
mmx vision describe \
--image document.jpg \
--prompt "请提取图片中所有文字，保持原有格式" \
--quiet
mmx vision describe \
--image error_screenshot.png \
--prompt "分析这个错误信息，给出解决方案" \
--output json --quiet
组合模式：生成→分析
URL=$(mmx image generate \
--prompt "A futuristic city" \
--quiet | head -1)
mmx vision describe \
--image "$URL" \
--prompt "描述这张图中的建筑风格和色彩" \
--quiet
注意事项
生成：
- 默认模型：
image-01（备选：image-01-live，更适合写实人像）
--width/--height 仅 image-01 支持，范围 512-2048，必须是 8 的倍数--subject-ref 格式：type=character,image=本地路径或URL- 涉及人脸/版权内容可能触发过滤器
识别：
- 支持本地文件（自动 base64 编码）和 URL
--file-id 可传预上传的文件 ID（跳过 base64，更快）- 默认 prompt 为
"Describe the image."
- 始终加
--quiet 避免进度条干扰
