（7263期）image-reader – 智能识图，一键提取与描述

智能识图，一键提取与描述 基于豆包多模态模型的图像识别工具，支持OCR文字提取与智能图像描述，一键解析截图、文档、照片等内容。 使用说明 核心用法 Image Reader 是一款图像识别与理解工具，通过调用豆包多模态大模型（doubao-seed-2.0-pro 等）实现图像内容的智能分析。主要功能包括： OCR 文字提取：从截图、文档、海报、菜单等图像中提取全部文字内容，保留原始格式 图像描述生成：为照片、插画、表情包、UI 界面等生成详细场景描述，涵盖物体、人物、色彩、风格等维度 智能分析模式：根据图像类型自动选择最优分析策略 使用方式灵活，支持命令行调用（python image_reader.py 配合 -p 参数指定任务），也支持 OpenClaw 自然语言指令直接唤起（如"提取图中文字""描述这张截图"）。 显著优点 多模态能力强大：基于豆包/Kimi 等先进视觉大模型，识别准确率高，支持复杂场景理解 场景覆盖广泛：从纯文字文档到复杂视觉内容均能处理 输出格式友好：文字内容保留格式，描述内容结构清晰 部署简便：Python 环境 + OpenAI 兼容 API 即可运行 潜在缺点与局限 依赖外部 API：需配置火山引擎 Ark 平台 API Key，存在网络延迟和调用成本 隐私敏感：图像数据需上传至云端模型处理，不适合高度机密内容 无本地推理：不支持离线运行，完全依赖云端服务可用性 模型幻觉风险：复杂或低质量图像可能出现识别错误或虚构描述 适合人群 需要批量处理截图、文档的办公人员 开发者构建图像理解工作流 视障辅助工具集成场景 内容创作者快速获取图像文字信息 常规风险 数据隐私：图像内容上传至第三方服务器，需确认服务商数据政策 API 成本：高频调用可能产生显著费用 服务稳定性：依赖火山引擎 API 可用性，建议配置降级策略 原始说明 Image recognition and understanding tool. Uses a multimodal model (e.g. doubao-seed-2.0-pro, kimi-k2.5) to analyze image content and supports OCR text extrac...