asr-skill

使用 Nano Banana Pro (Gemini 3 Pro Image) 生成或编辑图像。支持文生图、图生图及 1K/2K/4K 分辨率，适用于图像创建、修改及编辑请求，使用 --input-image 指定输入图像。

使用 Whisper CLI 进行本地语音转文字（无需 API 密钥）

使用 ffmpeg 从视频中提取帧或短片。

提供 UI/UX 设计智能与实现指导，帮助打造精美界面。适用于 UI 设计、UX 流程、信息架构、视觉风格、设计系统/标记、组件规格、文案/微文案、无障碍及前端 UI（HTML/CSS/JS、React、Next.js、Vue、Svelte、Tailwind）生成/评审/改进。工作流包括：①新 UI 布局与样式生成；②现有 UI/UX 改进；③设计系统标记和组件规范产出；④ UX 建议转化为代码变更。

专家级前端设计指南，用于创建美观、现代的用户界面。适用于落地页、仪表板等各类UI设计。

使用 mcp-diagram-generator MCP 服务器生成和编辑图表。适用于创建新图表、编辑现有的 .drawio/.mmd/.excalidraw 文件、网络拓扑图等场景。

使用 Remotion + React 进行程序化视频创作的完整工具包。涵盖动画、时间控制、渲染（CLI/Node.js/Lambda/Cloud Run）、字幕、3D、图表、文字特效、转场及媒体处理。适用于编写 Remotion 代码、构建视频生成流水线或创建数据驱动的视频模板。

通过 OpenAI Images API 批量生成图像。支持随机提示词采样，并提供 index.html 图库展示。

Vision Skill 是专为 AI Agent（如 Trae, Claude, OpenClaw 等）设计的视觉能力扩展插件。它赋予纯文本模型强大的**视觉理解（Recognition）和图像生成（Generation）**能力，支持多种 OpenAI 兼容视觉模型，提供灵活的图片上传模式（COS 或 BASE64），实现高效、异步、高质量的视觉任务处理。 🆕 v2.0：集成 832 个 GPT Image 2 精选案例库（质量过滤自 3 个社区项目 1322 raw cases，去除 490 低质） + 智能提示词引擎，自动生成高质量生图 prompt。 🆕 v2.1：集成 PPT 生成引擎 — 30+ 内置风格、Markdown 转 PPTX、slide_spec 精确编辑、模板克隆、外部图片贴入、版本回滚。 🆕 v2.2：参考图角色优化 — 支持多参考图各自指定角色（背景/产品/风格等），Prompt 中自然融合，不再笼统 “参考图是 xxx”。 🌟 项目亮点 灵活模型配置：支持自定义 BaseURL、API Key 和模型名称，兼容 OpenAI 格式 API，可对接豆包、通义千问、DeepSeek 等多种视觉模型。 双模式图片处理：支持 COS 云存储和 BASE64 直接传输两种模式，适应不同场景需求。 全能视觉识别：支持 OCR 文字提取、场景描述、细节问答，准确率极高。 微信截图识别：专门优化的 wechat_chat 预设，自动区分 PC/手机端，识别发送者身份。 全场景图像生成： 文生图（Text-to-Image）：精准理解 Prompt 生成高质量图像。 图生图（Image-to-Image）：基于参考图进行风格迁移或细节修改。 文生图组（Sequential Generation）：支持生成连贯的故事插画或分镜。 🧠 智能提示词引擎 (prompt_builder.py)：自动匹配案例并提炼灵感信号，默认生成简洁 creative brief，避免案例/摄影术语过度堆砌。 📚 GPT Image 2 案例库 (832 cases)：来自 3 个社区项目的精选 prompt（质量过滤自 1322 raw，去除 490 低质），10 大统一分类，单文件存储（cases/index.json），支持关键词检索。 📊 PPT 生成引擎 (ppt_generator.py)：30+ 内置风格，Markdown→PPTX 全流程，slide_spec 精确编辑，模板克隆，外部图片贴入，版本回滚。 🚨 强制确认工作流：生图/生成PPT前必须经过需求确认→用户确认→冒烟测试，杜绝低质量输出。 🚫 参考图必要性检测：自动识别需要参考图的场景（照片优化/风格迁移/图生图等），无参考图则阻断。 🖼️ 多参考图角色融合：每张参考图可指定独立角色（背景场景/产品元素/风格参考等 7 类），Prompt 自然融合，不再笼统 “参考图是 xxx”。 场景化预置 (Presets)：内置 ppt, business_flat, tech_isometric, hand_drawn 等生成风格，以及 invoice, contract, form, slide, whiteboard, table, json, wechat_chat 等识别输出格式。 高可用性设计：支持备用模型配置（FALLBACK_MODEL），主模型失败时自动切换。 批处理与稳定性增强：支持一次识别多张图片，内置失败重试、可选降级模型。 可观测任务元数据：任务状态中包含 started_at / ended_at / duration_ms / api_attempts / upload_mode 等字段。 灵活的任务架构：既支持异步轮询（适合批量大任务），也支持同步等待（适合即时反馈）。

综合邮件管理技能。当用户需要获取、搜索、阅读、发送、回复、移动、删除、标记或汇总邮件时使用此技能。