VLM（Vision Chat）技能用于指导开发者使用 z-ai-web-dev-sdk 实现视觉对话功能，让 AI 模型能够结合图片与文本提示进行理解和回答。技能位于项目中的 {project_path}/skills/VLM 路径，参考脚本位于该技能目录下的 scripts/ 目录，其中 {Skill Location}/scripts/vlm.ts 是可直接运行的示例。
主要能力
- 分析图片内容：对单张或多张图片进行描述、比较、问答。
- 支持多种内容类型：image_url（静态图片，如 PNG、JPEG、GIF、WebP、BMP）、video_url（视频）、file_url（文档，如 PDF、DOCX、TXT），并可在同一条消息中组合文本与多种媒体。
- 支持思维链（Chain of Thought）与流式输出。
- 常见用途包括商品分析、单据与表单信息提取、图像分类打标、OCR 文字提取、为图片生成替代文本、内容审核等。
使用方式
- CLI（适合简单任务）：使用 z-ai vision 命令，参数包括 -p/--prompt（必填的问题或指令）、-i/--image（图片 URL 或本地路径，可多次指定）、-t/--thinking（启用思维链）、-o/--output（输出 JSON 文件）、--stream（流式输出）。示例：z-ai vision -p "Describe this image" -i "https://example.com/image.png"。
- SDK（适合多轮对话和复杂应用）：通过 ZAI.create() 初始化，调用 zai.chat.completions.createVision({ messages, thinking }) 发起请求，从 response.choices[0]?.message?.content 获取结果。技能文档给出了单图分析、多图比较、base64 本地图片、多轮对话 VisionChatSession、图像分类打标、OCR 提取文本以及 Express.js 后端接口等示例代码。
推荐做法与限制
- 建议使用 base64 编码传递图片，以提高性能与可靠性。
- z-ai-web-dev-sdk 必须仅在后端代码中使用，禁止在客户端代码中导入或调用，也不得在客户端暴露凭据。
- 文档提示 SDK 已预装，无需额外安装。
- 生产环境应做好错误处理、图片 URL 校验、用户数据清洗与限流；处理图片时需考虑用户隐私。
- 文档未提供定价、平台支持范围或性能指标等信息。