OpenClaw实战｜从识图到公众号内容自动化，我跑通了完整链路

大家好，我是小肥肠。今天这篇文章，想跟大家分享一下我最近刚跑通两个skill：让 OpenClaw图像理解和 飞书 文章一键转存至公众号草稿箱。

1. 前言

最近我在慢慢做一件事：把之前在 Coze 里折腾过的插件和工作流，陆续迁到 OpenClaw + Skill 这一套上。上周末我主要搞定了两件事，都已经不是“纸上谈兵”，是真的跑起来了。

第一件：把图像理解插件迁移成 OpenClaw Skill

我把之前做的图像理解Coze插件，迁成了一个独立的 xfc-img-understand skill，直接接到 OpenClaw 里面。

它现在能做的事情很直接：

• 支持输入在线图片 URL或者本地图片路径
• 如果输入的是本地图片，会先自动上传到 OSS，然后交给通义千问视觉模型做识别和理解，最终返回结构化描述结果
• 如果输入的是图片URL则是直接交给通义千问视觉模型做识别和理解

说白了，这玩意儿已经不是“帮我识个图”那么简单了，它更像一个可以接进自动化工作流里的视觉理解节点。

第二件：把飞书文档一键迁到公众号草稿箱

我又顺手做了一个 xfc-md-nice skill，用来把飞书文档直接转成公众号图文，并且不是那种“能发但丑”的半成品，而是带排版、带样式的成品文章。

skill里面的公众号样式是我基于xfc-img-understand反推别人好看的样式二创出来的。

我现在只要发一句命令： [飞书文档链接] 帮我把这篇飞书文档转成公众号图文，发送到草稿箱，发之前先给我看你生成的样式长图，我说可以了你再发

它就会自动完成：

• 抓飞书文档正文
• 下载文中图片
• 转成 Markdown
• 用 mdnice 渲染成公众号样式
• 先出一张预览长图给我确认
• 我确认没问题后，再推到公众号草稿箱

这个流程多了一步人工审核，样式和排版我能自己把关，不会一键把不美观的文章直接发出去。

顺手提一句，这篇文章也是xfc-md-nice发布到公众号草稿箱的，由于篇幅限制，这个内容挪到下期教程。

那这篇先不跑偏，正式进入今天的主角：OpenClaw + 图像理解 Skill。

2. 图像理解 skill 思路设计

我做这个 skill，不是为了单纯搞一个 “看图说话” 的玩具，而是为了把它真正塞进自动化场景里。

周末在折腾 OpenClaw 的时候，我突然发现了一个很致命的短板：它看不懂我发的图 。 （图中我的 🦐 看不懂开始瞎编，不知道咋了它被我养的絮絮叨叨...）

这个问题一旦放到真实场景里就很麻烦。因为很多关键信息根本不在文字里，而是藏在截图、海报、长图、商品图这些图片素材里。如果 Agent 只能处理文字，那它很多时候就只是“半成品”。

我很快就意识到：图像理解不是锦上添花，而是很多自动化能力能不能跑起来的前提。 只要这一层打通，后面的事情就顺了很多。比如：

• 自动反推热门图片并继续做二创
• 自动提取截图和海报里的关键信息
• 和其他 skill 联动，继续做写作、整理、排版、发布

所以这个 skill 的目标很明确：输入一张图片，输出可继续用于自动化处理的理解结果。

2.1 整体链路怎么设计

我的设计其实比较朴素，核心就两段：

1. 解决图片可访问问题
2. 调用视觉模型做理解

因为视觉模型并不直接认识你电脑里的本地路径，所以只要用户给的是本地图片，就必须先处理成模型能访问的 URL。

于是整个流程就变成了：

• 如果用户给的是 image_url ，直接把在线图片地址传给模型
• 如果用户给的是 image_path ，先把本地图片上传到阿里云 OSS，再生成一个模型能访问的图片 URL，然后再调用通义千问视觉模型去理解。

这样做的好处是，前面的输入可以很随意，后面的输出可以很统一。 对接 OpenClaw 的时候就会很舒服，因为上层只管把图片交进来，下层会自己判断走哪条路。

2.2 这个 skill 要解决的，不只是“识图”

很多人做图像理解，第一反应就是让 AI 去描述图片。但真到自动化工作流里，单纯一段描述其实还不够，关键在于这套能力能不能稳定接进后续流程里。

所以我在设计这个 skill 时，关注的重点并不是“它能不能识图”，而是：输入是不是稳定、报错是不是可控、输出是不是统一，以及后续别的 skill 能不能直接 使用它的输出 。

只有把这一层打扎实了，后面不管是接文章生成、截图分析、素材管理，还是跟 xfc-md-nice 这种内容排版 skill 联动，都会轻松很多。

3. 图像理解 skill 实现

话不多说，正式开始 xfc-img-understand 这个 Skill 的搭建。

目录结构设计如下：

1xfc-img-understand/
2├── SKILL.md          # 必填：使用说明 + 元数据
3├── scripts/          # 必填：核心执行脚本
4├── config.json       # 必填：阿里云 OSS + DashScope 配置
5└── requirements.txt  # Python 依赖
6

整个 Skill 虽然不大，但已经把图像理解里最关键的链路都包进来了：

3.1 SKILL.md 设计编写

SKILL.md 可以理解为整个 Skill 的大脑和说明书。它决定了 OpenClaw 在收到用户请求后，能不能正确识别“这件事该不该调用 xfc-img-understand 来做”。

在这个 Skill 里，我给它定义的场景非常明确：

• 用户要分析图片内容
• 用户要提取图中文字
• 用户给的是本地图片路径

也就是说，这个 Skill 不是泛泛地“看图说话”，而是一个专门负责图像理解的工作节点。

3.2 代码结构说明

真正干活的是 scripts/understand_image.py。

我没有把它写成一坨难维护的脚本，而是按流水线思路拆成了几步：

• 读取 config.json
• 判断图片来源是 image_url 还是 image_path
• 如果是本地图片，先上传 OSS
• 再调用通义千问视觉模型做理解
• 最后返回结构化 JSON 结果

核心代码结构如下：

1def run(payload):
2    # 1. 读取配置
3    # 2. 判断图片来源
4    # 3. 本地图片上传 OSS
5    # 4. 调用 qwen-vl 模型
6    # 5. 返回 text / image_url / object_key / error_message
7    pass
8

这套结构的好处很明显：前面的输入可以灵活，后面的输出必须统一。

不管上游丢给你的是聊天图片、本地截图，还是公网链接，到了这层之后都会被整理成标准流程，后续接 OpenClaw 其他 Skill 也会更顺。

3.3 config.json 填写

在整条链路里，我们既要调用阿里云视觉模型，又要让脚本有权限把本地图片传到 OSS。 所以一定要有一个统一管理配置的文件：config.json。

配置格式如下：

1module.exports = {
2  dashscope_api_key: "sk-xxxxxxxx", // 阿里云百炼模型key，用于调用 `qwen-vl-plus` 做图片理解
3  dashscope_base_url: "https://dashscope.aliyuncs.com/compatible-mode/v1", // 阿里云模型调用接口
4  dashscope_model: "qwen-vl-plus", // 默认使用的视觉理解模型，可改成 [`qwen-vl-max`](https://xplanc.org/primers/document/zh/02.Python/EX.%E5%86%85%E5%BB%BA%E5%87%BD%E6%95%B0/EX.max.md)
5  oss_access_key_id: "xxxx", // 阿里云 OSS 的 AccessKeyId
6  oss_access_key_secret: "xxxx", // 阿里云 OSS 的 AccessKeySecret
7  oss_endpoint: "oss-cn-shenzhen.aliyuncs.com", // OSS 地域节点地址
8  oss_bucket: "your-bucket", // OSS Bucket 名称
9  oss_prefix: "openclaw", // 上传到 OSS 后的目录前缀/基础路径
10  oss_custom_domain: "https://your-domain.com", // OSS 自定义访问域名；如果为空则走签名 URL
11  signed_url_expire_seconds: 3600, // 当未配置自定义域名时，签名 URL 的有效期，单位秒
12};
13

这些配置看起来只是填参数，但其实它们决定了整条链路能不能真正跑起来。尤其是做 Skill 之后，我越来越强烈地感觉到一件事： 真正难的往往不是代码，而是环境。

3.4. Openclaw集成图像理解skill

Openclaw接入skill方法很简单，找到任意FTP工具传输到服务器的/root/.openclaw/workspace/skills/目录即可。

传输成功以后来到飞书 bot页面二次确认skill是否传输成功：

接下来就可以畅通爽用了：

以上就是OpenClaw +claude skill完成图像理解的全部教程，动手能力强的读者可以跟着教程实践一遍。上述skill已经被收录到了小肥肠共学群中，需要原件可以加入社群直接使用哦。

4. 结语

这次把 xfc-img-understand 从插件形态迁到 OpenClaw Skill，我最大的感受就是：Skill 这种组织方式，真的很适合做可复用的自动化能力。 它不是写一个一次性脚本跑完就结束了，而是把场景定义、配置管理、脚本逻辑、输入输出约定这些东西，全部收进了一个更稳定的结构里。

如本次分享对你有帮助，欢迎一键三连支持一下小肥肠，我们下期再见~

《OpenClaw实战｜从识图到公众号内容自动化，我跑通了完整链路》 是转载文章，点击查看原文。