vision-skillVision 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）。