---
name: minimax-vision
description: 用 MiniMax-M3（火山方舟 Coding Plan）做图像识别与理解。触发关键词：「看图」「识图」「这张图」「图片里有什么」「读一下截图」「OCR」「识别文字」「看看这个截图」「分析这张图」「图表数据提取」「图像识别」「minimax 看图」。当用户直接发送图片、没有附带其他明确指令时，也自动调用本技能识图。能力：物体/颜色/计数识别、OCR 文字提取（含数字符号）、图表数据读取、空间关系判断、UI 截图分析、多图对比。不用于：生成图片（那是 glm-image / seedream）。
---

# MiniMax-M3 图像识别

调用火山方舟 Coding Plan 的 `minimax-m3` 视觉模型识别图片。实测 4/4 满分（计数/OCR/图表/空间关系），平均响应约 3 秒。

## 脚本

`scripts/vision.py`（Python 3 标准库，无第三方依赖）

## API Key

优先读环境变量 `ARK_CP_API_KEY`，否则读 `~/.config/ark_cp_api_key`。不要把 key 写进代码或提交到仓库。

用的是火山**Coding Plan** 端点 `https://ark.cn-beijing.volces.com/api/coding/v3`（和 Agent Plan 的 key 不通用）。

## 用法

```bash
V=~/.codex/skills/minimax-vision/scripts/vision.py

# 默认: 描述图片
python3 "$V" screenshot.png

# 指定问题
python3 "$V" invoice.png -p "提取发票号和总金额"

# OCR
python3 "$V" doc.jpg -p "把图中所有文字原样读出来，只输出文字"

# 图表取数
python3 "$V" chart.png -p "这个柱状图每根柱子的数值分别是多少？"

# 结构化输出（自动追加"只输出JSON"约束）
python3 "$V" form.png -p "提取表单字段" --json

# 多图对比
python3 "$V" before.png after.png -p "这两张图有什么不同？"

# 网络图片
python3 "$V" https://example.com/pic.jpg -p "图里是什么？"

# 看耗时/token/request_id（输出到 stderr，不污染正文）
python3 "$V" a.png --detail

# 长提问从 stdin 读
cat question.txt | python3 "$V" a.png -p -
```

## 参数

- `-p/--prompt` 提问，默认"详细描述这张图片的内容"；传 `-` 从 stdin 读
- `--json` 追加"只输出 JSON"约束，便于程序解析
- `--max-tokens` 默认 2048；**返回空内容时优先调大这个值**（推理可能吃光额度）
- `--detail` 在 stderr 打印耗时 / token 用量 / request_id

## 注意

- 支持 png/jpg/webp/gif 等常见格式，本地文件自动转 base64，http(s) 链接直接透传
- 图片越大越慢，超大图建议先压到 2000px 以内
- 报错 `模型返回空内容` → 加大 `--max-tokens`
- 报错 401 → 检查 key 是不是拿成了 Agent Plan 的（两个套餐 key 不通用）