vision-recognition-trapslisted

# 视觉模型识别陷阱 > 用 mmx vision / ds-vision / vision_analyze 识图时的通用坑。2026-08-06 表情包批量建档 10+ 张实战总结（大量被阁下纠正后沉淀）。 > **陷阱编号 1-19 是稳定锚点**——别的 skill 按编号引用（陷阱 1/3/5/6 最常被引），改表别改号。 > > **读者须知（路径与工具）**：下文 `/opt/data` 是作者环境的仓库根，读者按自己路径替换；`mmx` / `ds-vision` / `vprompt` 是作者环境的视觉入口——**陷阱与判据部分与工具无关**，换任何视觉模型都成立，把自己的调用替换进去即可。`internet-memes-reference` / `twin-vision-archive` 是作者的私人资料库 skill，读者可忽略。 ## 第一步：选入口 | 要做什么 | 入口 | |:---|:---| | 默认识图 | `mmx vision describe <图>`——第一入口不是备选；工具不在会话列表里就调 CLI，**别先说不看图** | | mmx 报错 / 内容安全拒绝 | 切 `bin/ds-vision <图> "<问题>"` 兜底，流程照走，别停下等修复 | | 要凑近看（生僻字/小字/色号/细节） | `vision_analyze(image_url=<路径|URL>, question=..., region=[x1,y1,x2,y2])`（region 是**原图像素坐标**） | | gif / 客观描述 / 批量扫图 / 成本敏感 | `bin/ds-vision`：`--desc`（默认问法）/ `--batch`（批量）/ `--v4` `--meme`（专用提示词） | | 界面截图 / 表格读字 | 走**真 OCR**：`vtrap ocr <图> --json out.json`（裁块复核 `--crop x1,y1,x2,y2 --scale 6 --read`）→ `references/ui-ocr-workflow.md` | | 两图差分（水印／改图取证） | `vtrap diff A.jpg B.jpg` → `references/image-diff-forensics.md` | `vtrap` 是本 skill 的统一入口（`ocr` / `diff` 两个子命令，自动挑带依赖的解释器）；两个子命令也照旧可单跑 `scripts/ui_ocr.py` / `scripts/imgdiff.py`。 QQ 收图与 md5 验原图、批量提示词体系、ds-vision 的选项坑 → `references/entrypoints.md` ## 三条心法 1. **重心永远在画面层，先答「这是什么」**——内容/场景是每次都要答的；文件层（EXIF／块结构／尾拼／LSB）只在图有蹊跷时才动。上来就 probe 隐写是尴尬的条件反射（文件层工具 → `credential-management/references/steganography.md`）。 2. **模型输出是「它认为的」，不是图上事实**——文字、颜色、身份、**数量与视角**全部实测翻车过；拿不准的按陷阱 1/3 的铁律问人。 3. **「两张图是不是同一张」不靠描述判**——只认硬字段（像素尺寸／时间戳／md5／dhash）；找回原档用 dhash（8×8）扫库，别用 md5 单比（转发/