vision-multimodal
vision-multimodal 是面向 Claude 的视觉与多模态技能包,用于让 Claude 处理图像分析、PDF 处理和文档理解等任务。它说明在何时启用该技能,例如图像描述、文档/PDF 处理、截图分析、类似 OCR 的文本提取、视觉比较以及图表与示意图解读。支持的格式包括 JPEG、PNG、GIF(仅分析第一帧)、WebP 和 PDF(通过 Files API)。技能中给出图像尺寸建议:最小 200 像素,最佳约 1000×1000 像素,最大 8000×8000 像素,并说明 token 成本约为(宽×高)/1000,建议将最长边压缩至 1568 像素以节省 30%–50% token。文档还提供单图分析、从 URL 取图、多图比较、带图像的小样本示例、PDF 处理等代码模式,以及视觉提示工程策略和图像优化函数。