skills/minimax-vision/SKILL.md

name, description

name	description
minimax-vision	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

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）