alt — 自动标题生成
对 input_dir 中的每张图像运行本地VLM,并将JSON侧边文件写入 output_dir。可用于自动生成标题、理解批量内容,或为其他工具提供描述。
该技能目录(即此 SKILL.md 所在位置)以下统称为 $SKILL_DIR。
使用时机
当用户希望以下场景时使用此技能:
- 自动从照片生成Instagram标题
- 无需手动查看即可了解一批图像的内容
- 将图像描述输入到内容流水线或调度工具中
设置(仅首次运行)
cd "$SKILL_DIR" && uv sync
moondream2 权重在首次使用时下载(约 4 GB,来自 HuggingFace)。 Phi-4 权重更大(约 8 GB),需要GPU支持。
代理工作流
1. 询问用户
在描述图像之前,我需要了解以下信息:
🧠 模型
- moondream2 — 2B参数,速度快,可在CPU上运行(默认)
- phi4 — 3.8B多模态,质量更高,需要GPU
💬 标题风格(可选——我会使用合理的默认值)
例如“轻松有趣带表情符号”或“专业鼓舞人心”
⚙️ 设备
- auto — 优先使用GPU,否则使用CPU(默认)
- cpu — 仅 moondream2;在现代桌面CPU上每张图像约7秒
📁 输入/输出目录(默认:./input 和 ./output)
2. 编辑 config.json
如果用户提供了标题风格,请将其合并到 prompt_caption 中。
示例:"为这张照片写一个有趣、充满表情符号的Instagram标题。包含3-5个话题标签。"
如果用户要求品牌视觉,请检查 skills/brand-manager/brand-assets/asset-manifest.json 以获取可用字体,并在生成的标题指南或交接说明中提及优选品牌字体。此技能仅写入JSON侧边文件,因此不会自身渲染文本;下游渲染工具(如 visual-hook、video-captioner、end-cta)应在指定且可用时使用实际的品牌字体文件。
3. 运行
cd "$SKILL_DIR" && uv run python scripts/describe.py --config config.json
首次运行会下载模型权重——请告知用户这可能需要几分钟。
4. 报告结果
为每张图像显示描述和标题。告知用户JSON文件的写入位置。
配置参考
| 键 | 值 | 默认值 | 描述 |
|---|---|---|---|
input_dir | 路径 | ./input | 源图像文件夹 |
output_dir | 路径 | ./output | JSON侧边文件的目标文件夹 |
model | moondream2、phi4 | moondream2 | 视觉语言模型 |
prompt_description | 字符串 | "请用一句话描述这张图像。" | 描述字段的提示词 |
prompt_caption | 字符串 | "写一个吸引人的Instagram标题……" | 标题字段的提示词 |
device | auto、cpu、cuda | auto | 推断设备 |
常见调用
# 默认(moondream2,自动设备)
cd "$SKILL_DIR" && uv run python scripts/describe.py
# 更高质量(需要GPU)
cd "$SKILL_DIR" && uv run python scripts/describe.py --model phi4
# 强制使用CPU
cd "$SKILL_DIR" && uv run python scripts/describe.py --device cpu
# 自定义标题提示词
cd "$SKILL_DIR" && uv run python scripts/describe.py \
--prompt-caption "为这张图像写一个专业的LinkedIn标题。"
输出
对于 input_dir 中的每个 photo.jpg,在 output_dir 中写入 photo.json:
{
"description": "一位女士在阳光明媚的咖啡馆里手持咖啡杯。",
"caption": "晨间仪式 ☕✨ 以正确的方式开始新的一天。 #咖啡时光 #晨间氛围 #咖啡馆",
"tags": ["人像", "咖啡", "室内", "暖光"]
}
当品牌字体相关时,在后续指令中包含字体名称/标签,而不是在此JSON中嵌入字体文件。渲染技能负责解析清单路径并应用字体。
错误处理
phi4+cpu→ 在配置验证时被拒绝,并显示清晰消息- 模型下载失败 → 显示HuggingFace错误详细信息
- 单个图像错误 → 记录日志;其他图像继续处理
远程推断
此技能支持可选的远程标题生成,同时保持相同的JSON侧边文件输出。
- 默认行为仍然是本地
- 远程提供者是仅限选择加入
- 支持的提供者:
huggingface、replicate
配置键
| 键 | 默认值 | 说明 |
|---|---|---|
provider | null | null、local 或 none 保持本地模式 |
remote_model | null | 可选的提供者特定VLM模型覆盖 |
hf_token_env | HF_TOKEN | HuggingFace认证环境变量名 |
replicate_api_key_env | REPLICATE_API_TOKEN | Replicate认证环境变量名 |
remote_timeout_seconds | 300 | 远程调用超时时间 |
示例
# HuggingFace远程图像标题生成
export HF_TOKEN=hf_your_token
uv run python scripts/describe.py --config config.json --provider huggingface
# Replicate远程图像标题生成
export REPLICATE_API_TOKEN=r8_your_token
uv run python scripts/describe.py --config config.json --provider replicate --remote-model <replicate-model-slug>
说明
- 远程模式仍然写入相同的
description/caption/tagsJSON侧边文件 - 缺少凭据会快速失败;不会静默回退到本地模式
- Replicate 需要一个明确的模型slug进行远程标题生成
标题质量标准
标题和图像同样重要。一个薄弱的标题会浪费一张强大的图像。在生成或提示标题时,请应用以下原则。
单一核心原则
每个标题应传达一个清晰的核心思想。如果标题试图表达多个观点,就会变得分散且失去影响力。最强的标题只有一个箭头尖端:一个承诺、一个教训、一个观察、一个故事节点。
测试:你能用一句话说出这个标题吗?所有内容是否都支持同一个观点?如果不是,请删减直到核心清晰明确。
开头要吸引人
任何标题的第一行都是钩子。在Instagram上,只有前~125个字符会在“更多”之前显示——第一行必须赢得点击。在LinkedIn上,第一行就是标题。
有效的钩子模式:
- 反常规:“别再这样做了。”
- 好奇心缺口:“大多数人没有意识到……”
- 身份号召:“如果你是 [X],请注意。”
- 权威/经验:“如果我要重新开始,我会这样做。”
- 痛点:“这就是你卡在 [X] 的原因。”
避免以“我”开头,或以废话开头。第一行应该赢得继续阅读的权利。
平台特定结构
Instagram:
- 开头要吸引人(≤125字符)
- 正文:故事、教训或见解
- 末尾添加3–5个相关话题标签
- 真实的语气——避免过度营销的语言
- 表情符号可以使用,但应增强含义,而非装饰
LinkedIn:
- 最佳覆盖率为600–800字符;需要高点击率时为100–150字符
- 第一行要有强有力的钩子
- 帖子正文中不包含外部链接(LinkedIn会抑制外链的覆盖率)
- 有效的框架:钩子→见解→分解→CTA;或故事→教训→行动→互动问题
- 清晰胜过创意——读者快速浏览
- 避免:大量表情符号、过多空白、连续相同格式、外部字体
反通用测试
在接受生成的标题之前,问自己:这听起来像是拍摄这张照片的专家写的,还是听起来像通用的AI写作?如果任何人都可以写出来,那就失败了。标题必须反映特定的观点、观察或生活瞬间。
避免
- 以“我”开头作为第一个词
- 没有具体观点的模糊励志语句
- 用于视觉填充而非增强含义的表情符号
- 单个标题中出现多个行动号召
- LinkedIn上的标签垃圾(10个以上话题标签)