image-vision 是一个图像分析技能，调用 Anthropic Claude、OpenAI GPT-4、Google Gemini、Azure OpenAI 等 LLM 视觉 API 来理解图像内容。多数任务应使用随附的包装脚本，仅在批量处理、多轮对话等高级场景才需要自写代码。
主要用法： 单提供方分析：./vision-analyze.sh <provider> <image_path> <prompt> 自动回退分析：./vision-analyze-robust.sh <image_path> <prompt> [timeout_seconds] agent 场景可调用 ~/.amplifier/skills/image-vision/vision-analyze-robust.sh 或 vision-analyze.sh。包装脚本会自动创建 venv、安装 SDK、使用 venv Python 并处理错误。直接调用 Python 脚本时必须使用 ./.venv/bin/python。
支持 JPEG/JPG、PNG、GIF（仅分析首帧）、WEBP。尺寸上限按提供方不同：Anthropic 5MB，OpenAI 20MB（自动缩放），Gemini 依模型而定。API 键通过 ANTHROPIC_API_KEY、OPENAI_API_KEY、GOOGLE_API_KEY，或 AZURE_OPENAI_API_KEY + AZURE_OPENAI_ENDPOINT 设置。
常见场景包括 UI/UX 分析、界面 bug 识别、内容审核、文档理解（如发票字段提取）和设计评审。输出为 stdout 纯文本，可在提示词中要求 JSON 等结构化格式。
限制：视觉模型在典型截图分辨率下对精确排版字体判断不可靠，难以区分小字号衬线/无衬线字体、具体字体系列及细微字重差异，也不适合做 5px 以内的精确对齐测量；更适合布局层次、颜色对比度、明显断裂状态等高层问题。若视觉结果多次矛盾，应改用浏览器 DevTools 查询计算样式，视觉仅用于修复后验证。退出码 3 表示未配置提供方，4 表示提供方超时。脚本会将图像宽度上限设为 2000px 并限制载荷，仅缩小不放大。视觉分析失败时不得编造观察结果。设置细节见 setup.md，高级模式见 patterns.md。