菜单
通过 MiniMax VLM 进行图像理解和分析。当需要理解截图内容、提取图片文字（OCR）、分析 UI 设计、诊断错误截图、解读图表/架构图、对比图片差异、或对图片进行任何形式的问答时使用此 skill。即使用户只是说'看看这个截图'、'图片里写了什么'、'这个界面怎么样'、'帮我分析下这个报错'，也应考虑触发。当图片分析需要中文深度理解、结构化输出、或 Claude 自身 read 工具无法满足的复杂视觉推理场景下，mmx vision 是更好的选择。
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。
基于 SOC 职业分类
| name | minimax-vision |
| description | 通过 MiniMax VLM 进行图像理解和分析。当需要理解截图内容、提取图片文字（OCR）、分析 UI 设计、诊断错误截图、解读图表/架构图、对比图片差异、或对图片进行任何形式的问答时使用此 skill。即使用户只是说'看看这个截图'、'图片里写了什么'、'这个界面怎么样'、'帮我分析下这个报错'，也应考虑触发。当图片分析需要中文深度理解、结构化输出、或 Claude 自身 read 工具无法满足的复杂视觉推理场景下，mmx vision 是更好的选择。 |
调用 mmx vision describe 进行图像理解。底层模型是 MiniMax VLM（coding-plan-vlm），擅长中文场景的图片描述、OCR、UI 审查、图表解读等任务。
mmx vision describe --image <本地路径或URL> --prompt "<你的问题>"
快捷写法（等价于 --image）：
mmx vision photo.jpg
也可用 --file-id <id> 替代 --image（用于预上传文件，跳过 base64 编码）。两者互斥。
始终添加这三个 flag，因为 agent 环境是非交互的：
mmx vision describe --image <path> --prompt "<问题>" --non-interactive --quiet --output json
--non-interactive：缺少参数时直接报错退出，不会挂起等待用户输入--quiet：stdout 只输出结果，没有进度条和装饰文字--output json：返回 JSON 对象，用 jq -r '.content' 提取描述文本如果没有解析需求，也可以省略 --output json，此时 stdout 直接是描述文本。
Claude 的 read 工具本身支持读取图片。两者各有适用场景：
优先用 mmx vision 的场景：
用 read 就够的场景：
prompt 的质量直接决定输出质量。有效模式：
[具体任务] + [期望的输出结构] + [关注维度]
几个经过验证的 prompt 模板：
OCR 提取：
"请完整提取图片中的所有文字，保持原始格式和层级。不要遗漏任何内容。"
UI 审查：
"审查这个UI截图，从以下维度逐一点评：1)视觉层次 2)对齐一致性 3)间距节奏 4)配色方案 5)字体使用。每个维度给出具体问题和改进建议。"
错误截图诊断：
"分析这个应用错误截图：1)错误类型 2)可能的根因（按可能性排序）3)排查步骤。如果有堆栈信息，一并分析。"
图表分析：
"分析这个数据图表：图表类型、数据趋势、关键数值、异常点。如果有图例或坐标轴标签，一并读取。"
架构图解读：
"分析这个架构/流程图，列出：1)所有组件/节点 2)组件间的连接关系 3)数据流向 4)关键标注文字。"
VLM 每次只处理一个 prompt。如果需要全面分析，分多次调用比把所有问题塞进一个 prompt 效果更好——每次聚焦一个维度，输出更精准。
IMG="./screenshot.png"
# 布局
mmx vision describe --image "$IMG" --prompt "描述页面整体布局和组件结构" --quiet
# 配色
mmx vision describe --image "$IMG" --prompt "提取所有颜色值，分析配色方案" --quiet
# 文字
mmx vision describe --image "$IMG" --prompt "提取页面中所有可见文字" --quiet
# 先生成图片再分析
URL=$(mmx image generate --prompt "A sunset over mountains" --quiet)
mmx vision describe --image "$URL" --prompt "描述这个风景" --quiet
# 图片分析 → 语音播报
DESC=$(mmx vision describe --image photo.jpg --prompt "详细描述这张图片" --quiet)
mmx speech synthesize --text "$DESC" --out description.mp3 --quiet
# 两张图对比：分别描述后由 agent 做差异分析
mmx vision describe --image ./before.png --prompt "详尽描述所有视觉细节" --quiet > /tmp/v1.txt
mmx vision describe --image ./after.png --prompt "详尽描述所有视觉细节" --quiet > /tmp/v2.txt
mmx quota --quiet--prompt 时默认为 "Describe the image."（英文），建议始终显式指定中文 prompt| 码 | 原因 | 处理 |
|---|---|---|
| 2 | 参数错误 | 检查 flag |
| 3 | 认证失败 | mmx auth login |
| 4 | 配额耗尽 | 等重置 |
| 10 | 内容被过滤 | 换 prompt 或图片 |
垂直领域搜索和批量并行搜索。当通用搜索（tavily）无法满足时使用。 触发场景： 1. 金融数据——股票代码、汇率、行情（finance.us_stock / cn_stock / forex） 2. 学术检索——论文、DOI（academic.search / academic.biomedical） 3. 安全漏洞——CVE、文件哈希、IP/域名扫描（security.scan / security.cve） 4. 法律、专利、教育、健康等其他垂直领域 5. 批量并行搜索——同时查 2-5 个独立问题 6. 中国国内信息——A 股、国内资讯（需 zone=cn） 触发词："股票"、"行情"、"汇率"、"CVE"、"漏洞"、"论文"、"DOI"、 "学术"、"专利"、"批量搜索"、"A股"、"anysearch"。 不触发场景：通用 web 搜索、新闻浏览、代码搜索、网页内容提取、网站爬取—— 这些由 tavily skill 处理。
Use when starting a new Remotion video project, adding scenes to an existing video, or converting a script into a video. Handles creative direction, script review, scene planning, pronunciation pre-check, segment-based voiceover generation, subtitle-based timeline calculation, and produces a complete design spec. Required before remotion-video-development. Also handles voiceover generation and timeline alignment via remotion-tools scripts.
Use when implementing Remotion video scenes from an approved design spec. Executes scene-by-scene with flex-first layout, subtitle-based timing, multi-segment audio playback, and per-scene verification. Requires completed design from remotion-video-design. Also use when regenerating voiceover segments, fixing pronunciation, or re-aligning timeline.
思维框架，帮助跳出局部修补的循环。两种触发模式。 模式一（用户主动）：当用户说"rethink"、"重新思考"、 "跳出来看"、"全局视角"、"这个问题我们是不是想错了"时加载， 直接进入完整分析。 模式二（AI 提议）：当你检测到以下信号时， 在回复末尾加一句提议 "我觉得我们可能在局部修补，要不要退一步重新看？"： 你对同一个文件做了 3 次以上修改仍未解决， 或用户连续 2 次否定你的方案， 或你发现方案里 workaround 和 edge case 越来越多。 用户同意后再执行完整分析。用户说不用则继续正常工作。
本地语义代码搜索。当需要按意图定位代码、查找实现、理解代码结构时使用，优先于 grep/read 用于探索性搜索。触发词："搜代码"、"code search"、"find implementation"、"理解代码实现"、"semble"、"语义搜索"、"search code"。
通用 Web 搜索、URL 内容提取、网站爬取。这是默认的搜索工具。 当用户需要：快速查事实、搜索新闻、fact-checking、提取网页内容、 爬取网站、深度研究（advanced 模式）时使用。 触发词："搜索"、"查一下"、"搜一下"、"lookup"、"search"、"research"、 "fact-check"、"联网搜索"、"查资料"、"提取网页"、"爬取网站"、 "tavily"、"网页内容"。 不触发场景：股票/金融数据查询、学术论文检索、CVE/安全漏洞查询、 批量并行搜索——这些场景由 anysearch skill 处理。