该技能让 Claude 通过 Google Gemini API 处理图像理解任务：图片描述与内容分类、视觉问答、多图对比分析，以及模型相关的目标检测（Gemini 2.0+）和像素级分割（Gemini 2.5+）。还可用视觉能力处理最多 1000 页的 PDF 文档。
使用前需从 Google AI Studio 获取 API Key，并安装 SDK：pip install google-genai（需 Python 3.9+）。密钥按以下顺序读取：进程环境变量（推荐 export GEMINI_API_KEY="your-api-key"）、技能目录 .claude/skills/gemini-vision/.env、项目根目录 .env 或 .gemini_api_key。切勿将密钥提交到版本控制。
主要脚本包括 analyze-image.py（分析本地路径或 URL 图片，可指定 --model，支持多图输入）、upload-file.py（通过 File API 上传大文件）和 manage-files.py（list/get/delete 管理已上传文件）。支持 PNG、JPEG、WEBP、HEIC、HEIF 及 PDF；内联请求总大小不超过 20MB，更大文件用 File API，单次最多 3600 张图片。可选模型有 gemini-2.5-pro、gemini-2.5-flash、gemini-2.5-flash-lite、gemini-2.0-flash 及 1.5 系列。
图片会按尺寸消耗 token：小图（两边均不超过 384px）258 token；大图按 768×768 分块，每块 258 token。速率限制依 Free 与 Tier 1/2/3 不同，以 RPM、TPM、RPD 衡量，按项目而非按密钥计，RPD 于太平洋时间午夜重置。建议使用清晰图片、在提示中明确输出格式、大文件或需重复使用时走 File API（文件 48 小时自动删除），并定期轮换密钥、监控用量。常见错误含 401、429、400、403。其他资料与示例见技能内 references/ 目录。