用途：当图片文件是主要输入且需要理解、提取数据或分析内容时使用。核心流程为先运行 scripts/caption.py 得到文本描述，再将描述解析为结构化数据（如 DataFrame），最后进行分析、可视化或导出。
主要能力：脚本通过 vision 模型把图片转为文本描述；自动检测图片类型（chart/table/UI/diagram/general）并选择合适提示词；大于 5MB 或 2048px 的图片会先压缩；同一图片与提示词命中缓存时直接返回结果；失败会重试，永久失败返回错误信息。支持单图、指定提示词、JSON 输出、批量处理目录及覆盖模型。
必要用法：基本调用为 python3 scripts/caption.py /mnt/data/image.png；自定义提示词用 --prompt，例如 python3 scripts/caption.py /mnt/data/chart.png --prompt "提取所有数值，Markdown 表格格式"；JSON 输出用 --json；批量用 python3 scripts/caption.py /mnt/data/images/ --batch --output /mnt/data/captions.json；覆盖模型用 --model。其他选项包括 --no-cache、--output/-o。配置通过 SN_API_KEY，也可用 SN_VISION_API_KEY、SN_VISION_BASE_URL、SN_VISION_MODEL 细粒度控制。默认模型为 sensenova-6.8-flash-lite。
适用场景：图表数据提取、表格截图转 Markdown 表格、UI 截图描述、流程图/架构图节点与连接关系描述、照片等通用图片理解；从 Python 中可通过 subprocess 调用，解析返回的 Markdown 表格为 DataFrame，并导出 Excel 或绘图。
限制：需先配置有效 API Key；文本描述质量取决于模型与提示词；大表格可能被截断，建议分两段提取；matplotlib 中文字体需在绘图前设置，否则中文乱码；单张图约 10-30 秒，批量需相应延长超时；应从 caption 结果而非文件名猜测图片内容，提取后应校验数据。具体收费、价格与平台信息暂未提供。