用 Codex 或 Claude 帮你安装 复制这段 Prompt，粘贴到 Codex、Claude 或其他助手里，让它检查 Skill 页面并帮你完成安装。
直接命令不会经过审查 Prompt；运行前请先检查来源。
npx skills add https://github.com/openJiuwen-ai/agent-store --skill extractor-img-feature-judge-202607命令会保持在同一行。复制前请横向滚动并检查完整内容。
想先保存到本地？可下载 SkillsMP 当前能够提供的文件。
基于 SOC 职业分类
正在显示 SKILL.md
| name | extractor-img-feature-judge-202607 |
| description | 凭证图像特征维度分析和元素等级判断技能，评估6个质量维度和15种元素类型，等级L1-L4。触发词：图像质量分析、元素检测、凭证质量评估、特征维度 |
| version | 1.0.0 |
扮演凭证图像质量与元素分析专家。通过 VL 视觉语言模型对凭证图像进行多维度特征分析，包括6个图像质量属性评估、15种元素类型检测和 L1-L4 等级判断，输出 bbox 坐标和质量评估报告。
银行凭证智能提取
当用户提及或需要进行以下场景时触发：
在开始工作前，确认以下条件满足：
对凭证图像进行6个质量维度评估、15种元素类型检测和 L1-L4 等级判断，输出结构化的分析报告（含 bbox 坐标和裁剪 base64）。
| 属性 | 值 | | 任务类型 | 凭证图像质量分析 | | 风险等级 | 低（质量评估影响下游提取效率） | | 数据依赖 | 原始凭证图片 + VL 视觉模型 | | 决策类型 | 评估判断（L1-L4 等级） |
| 要求项 | 状态 | | 监管合规 | 不涉及个人金融信息输出 | | 免责声明 | 分析结果仅供参考 | | 审计日志 | 记录调用链、入参摘要、模型版本、时间戳 | | 引用来源 | 元素等级标准文档 |
| 参数名 | 类型 | 必填 | 说明 | | image_input | str | 是 | 图像文件路径或 base64 编码 | | include_crop_base64 | bool | 否 | 是否返回裁剪图像 base64（默认 true） | | output_format | str | 否 | 输出格式：json 或 summary（默认 json） |
模型配置：vl_config 可选传递。不传时服务端自动注入；传递时使用调用方指定的配置。
| 输出名 | 类型 | 说明 | | image_size | Dict | 图片尺寸 {宽度, 高度} | | image_quality | Dict | 6维质量评估 {清晰度, 倾斜角度, 完整性, 有效信息占比, 元素种类混合度, 拍摄角度} | | element_types | Dict | 15种元素类型检测结果 {印章, 表格, ...} | | element_grade_results | List[Dict] | 元素等级判断 [{元素类型, 等级(L1-L4), bbox}] | | statistics | Dict | 统计信息 {总bbox数, 等级分布} | | errors | List[str] | 错误列表 |
# Role
你是凭证图像质量与元素分析专家
# Tool Routing 规则（按 priority）
1. VL 视觉模型 → 元素检测 + 质量评估（优先）
2. 二次裁剪验证 → bbox 精度确认（辅助）
# Selection 策略
- output_format=json: 完整结构化分析报告
- output_format=summary: 简要摘要
# Fallback
VL 模型调用失败 → 返回空分析结果，标注"分析失败"
| 节点 | 模块 | 任务 | 状态 | 检查点 | | N1-输入校验 | 输入模块 | 校验图片可访问 | 必须 | 图片非空 | | N2-VL质量评估 | VL模型模块 | 6维质量评估 | 核心 | 质量指标齐全 | | N3-元素检测 | VL模型模块 | 15种元素类型检测 | 核心 | 元素列表 | | N4-等级判断 | VL模型模块 | L1-L4等级判断 | 核心 | 每元素有等级 | | N5-bbox裁剪验证 | 后处理模块 | 二次裁剪验证bbox | 辅助 | bbox精度 | | N6-输出组装 | 输出模块 | 组装标准输出 | 必须 | JSON格式 |
{
"image_size": {"宽度": 1920, "高度": 1080},
"image_quality": {"清晰度": {...}, "倾斜角度": {...}, ...},
"element_types": {"印章": {...}, "表格": {...}, ...},
"element_grade_results": [{"元素类型": "印章", "等级": "L1", ...}],
"statistics":
| 依赖系统 | 作用 | 必需 | | VL 视觉语言模型 | 元素检测+质量评估 | 是 | | Python 3.8+ | 运行环境 | 是 |
| 模块名 | 类型 | 优先级 | 降级策略 | | VL视觉模型 | MCP tool | P0 | 返回空分析结果，标注"分析失败" | | HTTP REST API | HTTP | P1 | MCP不可用时通过HTTP调用 |
VL 模型调用失败: 返回空分析结果，标注"分析失败" 图片解码失败: 返回错误 二次裁剪验证失败: 保留原始 bbox，标注"未验证"
会话级缓存：同一图片的分析结果缓存至会话结束，TTL = 会话生命周期
| 指标 | 目标 | | 元素检测准确率 | ≥ 85% | | 等级判断一致性 | ≥ 80%（与人工标注对比） | | 单次调用延迟 | ≤ 10s |
记录工具调用链、入参（图片来源/尺寸）、出参摘要（元素数/等级分布）、数据源（模型名称）、时间戳、模型版本
本分析结果由 AI Agent 自动生成，仅供参考，不保证100%准确。
满足以下任一条件时，结束技能执行：
输入：
{ "image_input": "<IMAGE_INPUT_PATH>", "include_crop_base64": true }
输出：
{
"image_size": {"宽度": 1920, "高度": 1080},
"image_quality": {"清晰度": {"评分": 8, "描述": "清晰"}},
"element_grade_results": [{"元素类型": "印章", "等级": "L1", "bbox": [100,200,300,400]}],
"statistics": {"总bbox数": 3
from scripts.analyzer import analyze_image, VLModelConfig
vl_config = VLModelConfig(
api_key="${your-api-key}",
model="${your-model-name}",
base_url="${your-base-url}"
)
result = analyze_image(
image_input="D:/path/to/image.jpg",
vl_config=vl_config,
include_crop_base64=True
)
print(result.to_dict())
python scripts/analyzer.py <IMAGE_INPUT_PATH> \
--api-key ${your-api-key} \
--model ${your-vl-model} \
--base-url ${your-base-url} \
--output json \
--save result.json