Claw Vision

核心用法

claw-vision 是一款基于 Gemini 3.1 Pro Preview（NUWA Flux）的本地图像分析技能。用户通过发送图片文件或特定关键词（如"看一下这张图"），即可触发对 PNG、JPG、JPEG、GIF、WEBP 等格式的智能解析。系统通过 vision-tool.py 脚本调用云端多模态大模型，返回结构化的分析结果。

调用方式为命令行指令：

python3 ~/Documents/OpenClaw/workspace/scripts/vision-tool.py <图片绝对路径> "<提示语>"

输出遵循标准四字段格式：[summary] 提供内容概述；[fields] 提取关键文字或表格数据；[ui_elements] 罗列界面元素（针对 UI 截图）；[confidence] 标注置信度等级（高/中/低）。

显著优点

• 模型先进：底层采用 Google Gemini 3.1 Pro Preview，具备业界领先的视觉理解能力
• 场景覆盖广：支持收据、文档、UI 界面、日常照片等多元场景
• 输出结构化：标准化字段设计，便于下游自动化处理
• 触发灵活：支持文件直传与语音关键词双重触发方式
• 本地安全：仅处理本地文件路径，不涉及 URL 外链，降低传输风险

潜在缺点与局限性

• 仅支持本地文件：明确不支持网络 URL，需用户先下载再上传
• 依赖外部脚本：需确保 vision-tool.py 及 API 密钥配置正确
• 格式限制：暂不支持 HEIC、RAW 等专业摄影格式
• 中文语境优化：提示语默认中文，但底层模型为国际化训练，特定中文排版场景可能存在识别偏差
• 无实时预览：需等待命令执行完成，无流式输出体验

适合人群

• 需要批量处理截图信息的效率工作者
• 从事 UI/UX 设计评审的产品团队
• 希望快速提取收据、发票数据的财务人员
• 构建本地自动化工作流的技术用户

常规风险

• API 稳定性风险：Preview 版本模型可能存在服务波动或版本迭代
• 数据隐私：图片需上传至 Google 云端处理，敏感文档存在合规考量
• 路径注入风险：若图片路径来源不可控，需防范命令行注入攻击
• 误识别风险：置信度标注为"低"时，关键决策需人工复核

综合评估

claw-vision 是 OpenClaw 生态中填补"视觉感知"空白的基础能力层，技术选型紧跟 Google 最前沿的多模态模型，定位清晰。适合对识别质量有较高要求、愿意承担一定云端依赖成本的场景用户。

核心用法

claw-vision 是一款基于多模态大模型的图像理解技能，通过调用 Google Gemini 3.1 Pro Preview（NUWA Flux）实现本地图片的智能解析。用户发送图片文件或触发关键词（如"看一下这张图""截图里是什么"）后，系统将调用 python3 ~/Documents/OpenClaw/workspace/scripts/vision-tool.py 执行分析，输出包含内容概述、关键字段提取、UI 元素列表及置信度评级的结构化结果。

该技能支持 PNG、JPG、JPEG、GIF、WEBP 等常见格式，仅限本地文件路径输入，不支持 URL 远程图片。典型应用场景包括： receipts 票据信息提取、UI 截图界面元素识别、文档内容结构化解析、照片场景描述等。输出采用固定模板格式，便于下游自动化处理。

显著优点

模型能力领先：Gemini 3.1 Pro Preview 作为 Google 最新多模态模型，在视觉理解、OCR、界面解析等任务上表现优异，支持复杂布局的文档和截图分析。

输出结构化：不同于简单的图像描述，该技能提供 [summary]、[fields]、[ui_elements]、[confidence] 四层结构化输出，可直接对接业务流程，减少后续解析成本。

触发方式灵活：同时支持文件上传和口语化关键词触发，降低用户使用门槛，适合集成到客服、办公自动化等对话式场景。

零代码集成：对于已部署外部脚本的用户，Skill 本身为纯 Markdown 文档，无需额外开发即可快速启用。

潜在缺点与局限性

外部依赖过重：核心功能完全依赖本地 vision-tool.py 脚本，该文件不在 Skill 包内，用户需自行安装配置。脚本缺失或版本不兼容将导致功能完全不可用。

隐私风险显著：所有图片数据需上传至 Google Gemini 云服务处理，无法本地运行。对于含敏感信息的截图（如身份证、银行账单、内部系统界面），存在数据外泄合规风险。

来源可追溯性差：发布者 puma1981 为个人开发者（T3 级别），无公开 GitHub 仓库可供审计，代码更新和维护依赖单一维护者，长期可用性存疑。

功能边界受限：仅支持本地文件路径，不支持 URL；依赖固定格式的外部脚本调用，难以自定义模型参数或输出格式；错误处理和重试机制未在文档中说明。

适合的目标群体

• 办公效率用户：需要快速提取截图、票据、文档信息的个人工作者
• 产品经理与设计师：需要批量分析 UI 截图、整理界面元素的团队协作场景
• 自动化开发者：已具备 Python 环境，能够自行审查和部署外部脚本的开发人员
• 轻量级视觉需求者：对图像理解有需求但不愿自行搭建多模态模型服务的中小团队

不适合人群：处理高度敏感图像的企业合规场景、无技术能力审查外部脚本的小白用户、要求完全离线运行的隐私敏感环境。

使用风险

供应链安全风险：外部脚本 vision-tool.py 若被篡改或植入恶意代码，可导致 API 密钥窃取、本地文件泄露等严重后果。建议在使用前完整审查脚本源码。

数据跨境与合规风险：图片数据发送至 Google 云服务，可能涉及跨境数据传输。企业用户需评估是否符合 GDPR、CCPA 等法规要求，以及内部数据出境审批流程。

服务可用性风险：依赖 Google Gemini API 的稳定性及计费策略，API 变更、额度耗尽或网络问题将直接影响功能可用性。

维护可持续性风险：个人开发者项目更新频率不确定，关键漏洞或模型升级可能无法及时跟进，建议具备自主维护能力或准备替代方案。