介绍
Aliyun Qwen VL 是开源项目 alicloud-skills 中的一个多模态视觉理解技能（Skill），把阿里云百炼（Model Studio）的通义千问视觉语言模型封装成可复用的 Agent 技能，面向图片问答、视觉分析、OCR 式信息提取、图表与表格读取、截图理解等场景。技能以标准 SKILL.md 结构发布，附带可直接调用的 Python 脚本、参数示例与参考文档，可被 Claude Code、OpenCode 等支持 Agent Skills 规范的工具一键安装调用。
把阿里云百炼通义千问视觉模型封装成标准 Agent Skill 的开源技能：图片问答、OCR 式提取、图表理解，一条命令装入 Claude Code 等兼容工具。
最后更新 2026 年 9 月 21 日
主要功能
图片理解问答：输入图片 URL、本地路径或 data URL，用自然语言提问，模型返回对图片内容的理解与总结。
结构化信息提取：支持 JSON 模式与 JSON Schema 约束，可从发票、单据、图表等图片中按字段抽取信息，输出机器可读结果。
统一调用接口：提供 analyze\_image.py 脚本与规范化 request/response 格式（prompt + image 进、text + usage 出），屏蔽 DashScope 兼容模式 API 细节。
多模型选择：默认使用 qwen3-vl-plus，可切换 qwen3-vl-flash 等更快更省的型号，也支持固定快照版本保证可复现性。
工程化细节：内置 429/5xx 指数退避重试、输出与证据文件落盘、图片压缩与大图处理建议等生产化约定。
定价与费用
- 标准 Skill 规范：遵循 Anthropic Agent Skills 目录结构（SKILL.md + scripts + references），一条 npx 命令即可装入任意兼容 Agent。
- 开箱即用：只需设置 DASHSCOPE\_API\_KEY 即可运行，附带 Quickstart 命令、cURL 示例与冒烟测试脚本。
- 中文视觉场景友好：依托通义千问 VL 系列对中文文档、中文界面截图的识别能力，适合中文票据、报表与产品截图的理解任务。
- 可组合可扩展：与同仓库的 OCR、视频生成、云资源管理等技能并列，可组合构建完整的云上 AI Agent 工作流。
适用人群
- 需要让 AI 助手「看懂」截图、报表、票据、图表的个人与团队。
- 在 Agent 工作流中嵌入图像理解节点的开发者，如自动审核、单据录入、图表解读。
- 基于阿里云百炼构建多模态应用、希望复用标准化技能包的工程团队。
更多介绍
相关教程
查看全部 →
相关工具
查看全部 →
omp — a coding agent with the IDE wired in - 终端原生智能编码 Oh My Pi (omp) 是一款终端编码智能体，内置子代理、规划模式、LSP、DAP、回溯记忆、哈希行编辑与时间旅行规则，由原生 Rust 引擎驱动。 
CodeBuddy - 腾讯AI编程IDE（国内版） 腾讯云代码助手CodeBuddy，基于混元代码大模型，提供技术对话、代码补全、诊断与优化，助你生成优质代码，提升编码效率。 
Open SWE: 开源内部编码代理框架 基于Deep Agents和LangGraph构建，Open SWE为内部编码代理提供核心架构组件。 
All-in-RAG | 大模型应用开发实战：RAG技术全栈指南 面向大模型应用开发者的RAG（检索增强生成）技术全栈教程，从零开始掌握RAG技术的核心原理与实际应用 
DFlash: Block Diffusion for Flash Speculative Decoding - Z Lab 高效块扩散投机解码