用途：该技能帮助判断何时使用 CLIP 做图文语义匹配，何时改用其他模型。适用于语义图像搜索、宽泛类别零样本分类、图像相似度匹配等任务。
主要能力：提供决策树区分任务类型；给出 CLIP 基本用法（transformers 加载 openai/clip-vit-large-patch14，分别提取图像与文本特征后计算相似度）；列出常见反模式及替代方案，如计数用 DETR、细粒度识别用专用模型、空间关系用 GQA/SWIG、属性绑定用 PC-CLIP 或 DCSMs；附带验证与诊断脚本。
使用方式：安装依赖 pip install transformers pillow torch sentence-transformers --break-system-packages，运行 python scripts/validate_setup.py 验证；用 python scripts/validate_clip_usage.py --query "..." --check-all 预检，用 python scripts/diagnose_clip_issue.py --image path/to/image --query "..." 排查异常。
适用场景：语义搜索、宽泛分类、零样本新类别、图像相似度。
限制：CLIP 不能计数、不擅长细粒度分类、空间理解、属性绑定与否定处理；模型选择上 ViT-B/32 快但质量低，ViT-L/14 均衡，ViT-g-14 质量高但慢。具体性能数据与更多参考文档见资料所述文件。