❓ Large Model Visual Question Answering Skill | 大模型视觉问答技能

智能分析中枢 · 图片/视频智能分析 · 结构化报告 · 历史报告云端查询

🧭 技能概览 | Overview

Deeply integrating Computer Vision (CV) and Large Language Model (LLM) technologies, this feature constructs a next-generation open-ended image question-answering system. Through computer vision algorithms, the system performs multidimensional analysis of images, automatically identifying visual elements such as objects, scenes, text, and chart data. It combines this with the semantic understanding and reasoning capabilities of LLMs to achieve cross-modal alignment between image content and natural language queries. Users can pose open-ended questions to any image (e.g., " What is the core trend of this chart?" or "Which period does the architectural style in the picture belong to?"). Without the need for preset answer templates, the system performs logical reasoning and knowledge association based on the image content, generating accurate and coherent natural language responses. Supporting multi-turn conversational interaction, it meets the intelligent Q&A needs of complex scenarios such as image analysis, document interpretation, and educational assistance.

本功能深度融合计算机视觉（CV）与大语言模型（LLM）技术，构建了新一代开放式图片问答系统。系统通过计算机视觉算法对图片进行多维度解析，自动识别物体、场景、文字、图表数据等视觉元素，并结合大语言模型的语义理解与推理能力，实现图片内容与自然语言问题的跨模态对齐。用户可对任意图片提出开放式问题（如“这张图表的核心趋势是什么？”“图片中的建筑风格属于哪个时期？”），系统无需预设答案模板，即可基于图片内容进行逻辑推理与知识关联，生成准确、连贯的自然语言回答，支持多轮对话交互，满足图像分析、文档解读、教育辅助等复杂场景下的智能问答需求

🎬 技能演示 | Skill Demo

▶️ 点击查看技能使用介绍

🎯 任务目标 | Goals

1. 🧩 技能用途

通过图片结合用户问题进行大模型视觉问答，获得自然语言回答

2. 🛠️ 能力范围

3. ⚡ 触发条件

4. 🤖 自动行为

⚠️ 强制数据获取规则（次高优先级）

橙色强约束： 历史报告清单只允许从云端接口读取，不允许从本地记录、长期记忆或人工汇总中提取。

必须执行：

python -m scripts.visual_qa_analysis --list

📦 前置准备 | Requirements

• 依赖说明:scripts 脚本所需的依赖包及版本

  requests>=2.28.0
  

🚀 操作步骤 | Workflow

🔐 用户身份处理（内部自动完成）

绿色安全原则： 用户身份参数由系统内部自动处理，不得向用户展示、询问或要求输入任何身份标识。

执行本技能分析或历史报告查询时，脚本会自动完成身份初始化：

🔒 关键约束

🧪 标准流程 | Standard Flow

⚙️ 脚本参数说明

🗂️ 资源索引 | Resource Index

⚠️ 注意事项 | Notes

🧰 使用示例 | Examples

# 本地图片问答
python -m scripts.visual_qa_analysis --input /path/to/image.jpg --question "这张图片里有什么内容？请描述一下" 网络图片问答
python -m scripts.visual_qa_analysis --url https://example.com/image.jpg --question "图片中有几个人，他们在做什么？" 显示历史问答记录（自动触发关键词：查看历史问答、历史记录、问答清单等）
python -m scripts.visual_qa_analysis --list

# 输出精简回答
python -m scripts.visual_qa_analysis --input image.jpg --question "描述一下这张图片" --detail basic

# 保存结果到文件
python -m scripts.visual_qa_analysis --input image.jpg --question "请识别图片中的文字内容" --output result.json