用途：VLM（Vision Chat）技能用于在项目中实现基于视觉的 AI 对话能力，让模型理解图片并结合文字提示进行回答。技能位于 {project_path}/skills/VLM，参考脚本在 {Skill Location}/scripts/ 目录，示例见 {Skill Location}/scripts/vlm.ts。
主要能力：支持图片分析、视觉内容描述、图像问答、多图对比、图像分类与打标、OCR 文本提取，以及多轮视觉对话。内容类型支持 image_url（图片）、video_url（视频）、file_url（文档），可在单条消息中组合多种类型。支持 PNG、JPEG、GIF、WebP、BMP 等格式。
使用方式：CLI 适合简单任务，例如 z-ai vision --prompt "What's in this image?" --image "https://example.com/photo.jpg"，支持 -p、-i、-o、--thinking、--stream 等参数。SDK 适合多轮对话、动态分析与生产应用，通过 zai.chat.completions.createVision 调用，消息内容包含 text 与 image_url 等类型。推荐使用 base64 编码传图以提升性能与可靠性。
限制：z-ai-web-dev-sdk 必须在后端代码中使用，绝不能在客户端代码中使用，也不得在客户端暴露 SDK 凭据。需验证图片 URL、清理用户数据并考虑限流。资料未提供具体收费、价格与平台信息。