| name | image-reading |
| label | 看图片 |
| summary | 识别图片内容与文字 |
| icon | vision |
| description | 识别、描述或提取用户提供的单张图片内容。用户上传图片、给出图片链接、给出 fileId,或要求 OCR/看图分析/图片转文字/描述图片时使用。 |
| user-invocable | true |
| placeholder | 上传图片或说明 |
| config | vision-provider |
| tools | ["readImage"] |
| metadata | {"category":"capability"} |
图像识别
你可以调用 readImage 读取用户提供的单张图片,把识别结果作为文字返回后再继续写作或回答。
何时使用
- 用户上传了图片,并要求描述、识别、提取文字、分析版式、总结图片信息。
- 用户给出 http(s) 图片链接。
- 当前文档正文里已有图片,需要理解它。
- 素材区里有图片素材,需要识别其内容。
不要用于生成图片、改图、制作插图;这些场景使用其他工具。
五类图片来源 → 给 image 传什么
- http(s) 图片链接(用户在对话里贴的):直接把该 URL 传给
image。
- 刚上传还没解析的文件:用系统提示给你的
filePath(/api/v1/files/<id>/<name>)或裸 fileId。
- 文档正文里已有的图片:先
readDraft 读到该图片块,取它的 src(可能是 /api/v1/files/...、http(s) 或 data:image/...;base64,...),原样传给 image。
- 素材区的图片素材:把该素材的
materialId 传给 image,工具会自动取该素材的原始图片字节(非图片素材会报错)。
- 飞书等外部文档里的图片:先用 feishu 技能(lark-cli,如
docs +media-download)把图片下载到工作区,再用 read_file 以 encoding:"base64" 读出,拼成 data:image/<类型>;base64,<内容> 传给 image。
如何调用
调用 readImage:
image: 见上面五类来源,传对应的 URL / 路径 / fileId / materialId / data URL。prompt: 本次识别任务指令。写清楚要提取什么,例如"请提取图片中的中文文字并保留换行"。includeConversation: 默认不传或传 false;只有图片含义必须结合最近对话才看得懂时传 true。
工具返回:
ok: true 时,text 是识别结果。基于它继续回答用户。ok: false 时,error 是失败原因。若提示"图像识别副基模未配置",请让用户到"设置 → 技能 → 图像识别"填写多模态模型 API key。
约束
- 一次只读一张图;多图时逐张调用。
- 远程图片只把链接交给后端工具读取,不要把第三方图片 URL 当作前端缩略图展示。
- 除非必要,不要把最近对话发给图像识别副基模。
