Vision & Multimodal Skill 是面向 Claude 的视觉与多模态能力技能，用于图像分析、文档处理和多模态理解。
【用途】 该技能适用于图像分析与描述、文档/PDF 处理、截图分析、类似 OCR 的文本提取、视觉比较，以及图表和示意图解读。
【支持的格式】 JPEG：适用于照片和自然场景。 PNG：适用于截图、UI 和文本。 GIF：动画格式，仅分析第一帧。 WebP：现代压缩格式。 PDF：文档，通过 Files API 处理。
【图像尺寸指南】 最小 200 像素，更小会降低准确率；最佳约 1000×1000 像素；最大 8000×8000 像素。 Token 成本约为（宽 × 高）/ 1000。 提示：将最长边调整到 1568 像素，可节省 30%–50% 的 token。
【核心使用模式】
- 单图分析：使用 Python 的 anthropic 库，将图像以 base64 编码后，作为 image 类型内容块与文本提示一同发送给 client.messages.create，模型示例为 claude-sonnet-5。
- 从 URL 获取图像：使用 httpx 获取图像内容，再进行 base64 编码，然后沿用单图分析模式。
- 多图：可在一次请求中比较多张图像（最多 100 张），在 content 数组中依次放置多个 image 块和文本块。
- 带图像的小样本学习：通过提供示例图像和对应的助手回答，让模型按示例方式进行分类或输出。
- PDF 处理：通过 Files API（beta），将 PDF 以 base64 编码后作为 document 类型内容块发送，让模型进行总结等处理。
【视觉提示工程】 策略 1：角色分配——在提示中赋予模型专家角色，例如“你拥有完美的视觉和出色的细节关注能力，是分析技术图表的专家”，再要求其分析架构图。 策略 2：分步思考——要求模型在回答前系统分析图像，例如先判断整体主题、关键元素、元素间关系、突出细节，再给出答案。 策略 3：结构化输出——例如要求从收据中提取信息并以 JSON 返回，包含 vendor、date、items、total 等字段。
【图像优化】 文档提供 optimize_for_claude 函数，使用 PIL 打开图像，按最大尺寸 1568 计算缩放比例，使用 LANCZOS 重采样缩小图像，再以 JPEG 质量 85 保存并 base64 编码，从而减少 token 使用。
【常见用例】 文本提取（类似 OCR）：要求提取图像中所有文本，尽量保留原始格式和结构，不清晰处标注 [unclear]。 表格提取：要求将图像中的表格数据提取为带表头和对齐的 Markdown 表格。 图表分析：要求分析图表类型、坐标轴/标签、关键数据点以及可见的趋势或模式。
【最佳实践】 建议：使用高质量图像（≥1000 像素）；缩放大型图像以节省 token；提供需要关注内容的上下文；使用小样本示例以获得一致输出。 不建议：发送小于 200 像素的图像；期望手写内容有完美 OCR；发送超大图像（>8000 像素）；忽略多图带来的 token 成本。
【限制】 无法识别特定个人；可能难以处理非常小的文本；动画 GIF 只分析第一帧；某些特殊符号可能被误读。
【相关内容】 文档还提及 llm-integration（API 基础）、extended-thinking（复杂推理）、citations-retrieval（文档引用）等主题。