图像描述、OCR 和屏幕截图

使用 Arka 的视觉技能，通过 Gemini、Ollama llava 或 vLLM 后端描述照片、通过 OCR 提取文本、分析蓝图并捕获屏幕。

Arka 支持视觉任务：照片描述、蓝图分析和屏幕捕获。

​

描述图像

双层分析：OCR 提取精确文本；视觉描述布局和颜色。

arka describe photo.jpg
arka describe ~/Downloads/chart.png

后端（自动选择）：Gemini、Ollama (llava)、vLLM。

DESCRIBE_IMAGE_BACKEND=auto   # auto | gemini | ollama | vllm
GEMINI_API_KEY=...
# DESCRIBE_IMAGE_TWO_LAYER=1
# DESCRIBE_IMAGE_OCR=1

pip install "arka-agent[vision]"
brew install tesseract    # OCR 层

​

图纸和蓝图

使用 Gemini 视觉分析平面图、立面图、MEP 图纸和扫描的合同：

arka analyze plan.pdf "extract door schedule and room dimensions"
arka analyze --pages 1-3 specs.pdf "summarize payment terms"

pip install "arka-agent[drawings]"

# DRAWING_MODEL=gemini-2.5-flash
# DRAWING_MAX_PAGES=8

​

屏幕捕获

10 秒倒计时、全屏捕获、视觉描述：

arka describe screen
arka describe my screen
arka describe screen "what app is in focus"