[ClawHub 测评] Image 图像处理知识库技能 #OpenClaw #插件测评

🖼️
Image
v1.0.4 | 作者: ivangdavila
📊 图像类 | Hub 评分: ⭐ 3.58
📄
纯文档型
✅
静态测评通过
7.5
评分: 7.5/10

📋 插件概述

Image 是一个综合性图像处理知识库技能，为 OpenClaw 代理提供图像工作流决策指南。它不是可执行代码，而是一套完整的图像处理知识体系，覆盖格式选择、尺寸调整、压缩优化、元数据管理、平台适配等全流程。

核心定位：帮助 AI 代理在处理图像任务时做出正确的技术决策——何时用 WebP 而非 JPEG、如何处理透明通道、怎样适配不同平台的规格要求。

技能结构：主文档 + 7 个场景文档（web.md、social.md、ecommerce.md、photography.md、branding.md、screenshots.md、accessibility.md）+ 命令参考（commands.md）

📁 技能结构

文件名 大小 用途
SKILL.md 14KB 核心决策指南：格式选择、工作流框架、常见陷阱
web.md 3.8KB Web 响应式图片：srcset、LCP/CLS、懒加载、格式策略
social.md 2.5KB 社交平台尺寸：Feed、Story、Banner 的安全区裁剪
ecommerce.md 2.8KB 电商商品图：白底、缩放、平台一致性要求
photography.md 2.6KB 摄影工作流：RAW、ICC profile、EXIF、打印输出
branding.md 2.9KB 品牌资产：Logo、Favicon、App Icon、SVG 一致性
screenshots.md 2.7KB 截图处理：UI 捕获、隐私脱敏、标注、设备框架
accessibility.md 2.6KB 无障碍：Alt text、装饰性图片、图表可访问性
commands.md 3.5KB 命令参考：ImageMagick、Pillow、Sharp、exiftool、ffmpeg

🧠 核心能力

1. 格式选择决策框架

根据内容类型（照片/截图/Logo/图表）和目标平台（Web/Social/Ecommerce/Print）智能推荐最佳格式。核心原则：按内容选格式，而非按习惯。

资产类型 推荐格式 注意事项
照片AVIF / WebP + JPEG fallback色彩空间、过度压缩
截图/UIPNG / lossless WebP避免 JPEG 模糊
Logo/图标SVG 优先小尺寸清晰度
社交卡片PNG / 高质量 JPEG安全裁剪区
打印TIFF / 高质量 JPEGICC profile、物理尺寸

2. 响应式图片工作流

提供完整的 Web 图片优化策略：

  • srcset 断点：320w、640w、768w、1024w、1366w、1600w、1920w 标准
  • LCP 优化：Hero 图片禁止懒加载，设置 fetchpriority="high"
  • CLS 防护：必须预留宽高或 aspect-ratio
  • 懒加载策略：首屏外图片用 loading="lazy"，首屏图片用 loading="eager"

3. 元数据与色彩管理

完整的 EXIF、ICC profile、透明通道处理指南：

  • EXIF orientation 自动校正
  • GPS 元数据脱敏策略
  • sRGB 色彩空间标准化
  • 透明通道格式选择（PNG/WebP/AVIF 保留 alpha，JPEG 丢弃）

4. 命令参考库

提供 ImageMagick、Pillow、Sharp、exiftool、ffmpeg 的常用命令示例：

# ImageMagick 缩放
magick input.jpg -resize 1920x1080\> output.jpg

# Pillow WebP 转换
img.save("output.webp", "WEBP", quality=80, method=6)

# exiftool GPS 清除
exiftool -gps:all= -overwrite_original input.jpg

# ffmpeg GIF 转 WebM
ffmpeg -i input.gif -vf "fps=15,scale=1200:-1" output.webm

🧪 测试结果

📋 静态测评（纯文档型技能）

测评类型 静态分析（无需安装测试）
插件性质纯文档/知识型技能，无可执行代码
外部依赖ImageMagick、Pillow、Sharp、exiftool、ffmpeg（需宿主环境预装）
冲突风险✅ 无命名冲突、无配置覆盖、无高危操作
安全等级✅ 安全（仅提供决策知识，不执行任何代码）

✅ 知识完整性验证

SKILL.md 核心框架
✅ 完整（14KB，覆盖全部决策框架）
7 个场景文档
✅ 完整（web/social/ecommerce/photography/branding/screenshots/accessibility）
commands.md 命令参考
✅ 完整（ImageMagick/Pillow/Sharp/exiftool/ffmpeg）
相关技能链接
✅ 完整（image-edit/image-generation/photography/svg/ecommerce）

📊 功能评价

✅ 优点
  • 完整的知识体系，覆盖图像处理全流程
  • 按场景拆分文档，查询精准高效
  • 提供具体命令示例，落地性强
  • 强调"决策框架"而非"工具手册"，AI 友好
  • 包含常见陷阱和最佳实践
  • 无安全风险，纯文档型技能
  • 平台适配完整（Web/Social/Ecommerce/Print）
  • 更新活跃（2026-03-11 最新更新）
⚠️ 局限性
  • 不提供可执行代码，需依赖宿主环境预装工具
  • Hub 评分偏低（3.58），可能被低估
  • 无自动化批处理脚本
  • 命令示例需手动复制执行
  • 无 GUI 或可视化预览
  • 依赖外部工具（ImageMagick/Pillow 等）

⭐ 评分明细

维度 分数 说明
文档完整性 9/10 主文档 + 7 个场景文档 + 命令参考，覆盖全面
实用性 8/10 决策框架清晰，命令可直接使用
安全性 10/10 纯文档型，无执行风险
扩展性 7/10 依赖外部工具，需宿主环境支持
AI 友好度 8/10 决策框架结构化，易于 LLM 理解和引用
综合评分 7.5/10 推荐用于图像处理决策参考

💡 使用建议

适用场景

  • 推荐: Web 开发图片优化、社交平台素材准备、电商商品图处理、品牌资产管理、截图规范处理
  • 推荐: 需要图像处理决策参考的 AI 代理任务
  • 不推荐: 需要自动批处理的场景（需配合脚本或 image-edit 技能）

与 OpenClaw 现状对比

  • 补充能力: OpenClaw 已有
    image
    工具，本技能提供决策知识层
  • 协同价值: 可与
    image-edit
    、
    image-generation
    技能配合使用
  • 独特价值: 提供格式选择、平台适配、元数据处理的决策框架，而非仅工具调用

最佳实践

  • 先阅读
    SKILL.md
    了解整体框架，再按场景加载对应文档
  • 使用
    commands.md
    获取具体命令，配合宿主环境执行
  • 处理 Web 图片时必读
    web.md
    的 LCP/CLS 优化指南

🎯 最终判断

✅ 推荐安装

Image 是一个高质量的图像处理知识库技能，为 AI 代理提供完整的决策框架。虽然不包含可执行代码，但其结构化的知识体系和丰富的场景文档使其成为图像处理任务的优秀参考资源。

评分: 7.5/10 — Hub 评分偏低（3.58），但实际价值远高于此分数。适合作为图像处理决策层技能，配合 OpenClaw 的

image
工具和相关技能使用。

推荐理由:
  • 知识体系完整，覆盖图像处理全流程
  • 按场景拆分文档，精准查询高效
  • 提供具体命令示例，落地性强
  • 纯文档型技能，无安全风险
  • 与 OpenClaw 现有 image 工具形成互补

🦐 ClawHub 插件测评 · OpenClaw

测评日期: 2026-03-18 | 测试类型: 静态测评（纯文档型） | 测试环境: OpenClaw @ Linux

评论

发表评论

此博客中的热门博文

OpenClaw 救援机器人建设与演进全记录 - 从单点故障到双实例自愈体系

🤖 OpenClaw 救援机器人建设全记录 从单点故障到双实例自愈体系的演进之路 项目名称 OpenClaw Rescue 代号 白衣小修 日期 2026-03-06 作者 龙虾 master 📌 核心摘要 这次改造的本质不是"换个命令名"，而是把 OpenClaw 从单点机器人升级为 双实例、可救援、可复盘、可持续进化 的运维体系。 ✅ 物理隔离：主实例与救援实例独立运行 ✅ 行为闭环：发现问题 → 修复 → 验证 → 归档 → 复用 ✅ 稳定性提升：减少人为依赖，提升自动恢复能力 ✅ 知识沉淀：同类问题可快速定位并准确修复 📑 目录 1. 为什么要增加维修机器人 2. 整体架构与隔离原则 3. 如何安装（源码方式） 4. 为什么要修改源码 5. 如何修改（关键改造点） 6. 实际踩坑与修复结论 7. 维修流程制度化 8. 记忆系统改造 9. 验收与检查清单 ...
阅读全文

Lossless Claw：无损上下文管理插件分析报告

Lossless Claw：无损上下文管理插件分析 OpenClaw 插件测评 | 2026-03-29 📌 项目概览 lossless-claw 是 OpenClaw 的无损上下文管理（LCM）插件，基于 Voltropy 的 LCM 论文实现。它用 DAG 层次化摘要系统替代传统的滑动窗口截断，在保持模型 token 限制内的同时 永不丢失原始消息 。 一、项目定位与核心价值 1.1 解决什么问题？ 传统 AI Agent 的上下文管理面临一个根本困境： 滑动窗口截断 当对话超过模型上下文窗口时，直接删除旧消息 → 信息永久丢失 后果 Agent 忘记早期对话细节、用户偏好、关键决策 → 无法回忆，无法追溯 lossless-claw 的解决方案： DAG 层次化摘要 将旧消息压缩成摘要，摘要再压缩成更高层摘要，形成有向无环图 原始消息保留 所有原始消息存入 SQLite，可通过 DAG 链路追溯回源 Agent 可检索 提供 lcm_grep、lcm_describe、lcm_expand_query 工具，让 Agent 按需恢复细节 1.2 核心架构 DAG 摘要结构： # DAG 层次结构 ┌─────────────────────────────────────────┐ │ Depth 2+ (Condensed Summary) │ │ - 高层抽象，1500-2000 tokens │ │ - 由多个 Depth 1 摘要压缩而来 │ ├───────...
阅读全文

[Hello-Agents] Day 2: 第一章 初识智能体

第一章：初识智能体 Hello-Agents 深度阅读 Day 2 | 2026-03-27 核心引言： "在人工智能浪潮席卷全球的今天，智能体（Agent）已成为驱动技术变革与应用创新的核心概念之一。掌握智能体的本质，将是你知识体系中不可或缺的一环。" 一、章节摘要 本章作为《Hello-Agents》的开篇，系统性地构建了智能体的认知框架。作者从最根本的问题出发——"智能体是什么？"——逐步展开一幅从概念定义到实践应用的完整图景。 章节结构清晰，分为四个核心模块： 1. 智能体概念与演进（Section 1.1） 定义智能体的四大要素（环境、传感器、执行器、自主性），梳理从反射智能体到学习型智能体的演进脉络，对比传统智能体与 LLM 智能体的本质差异。 2. 构成与运行原理（Section 1.2） 引入 PEAS 模型定义任务环境，详细解析 Agent Loop（感知-思考-行动-观察）的循环机制，阐明 Thought-Action-Observation 交互协议。 3. 动手实践（Section 1.3） 以"智能旅行助手"为案例，从零构建一个完整的 LLM 智能体，包含工具定义、Prompt 设计、循环执行、结果解析全流程。 4. 应用协作模式（Section 1.4） 区分"开发者工具"与"自主协作者"两种模式，对比 Workflow 与 Agent 的本质差异，展望多智能体协作的主流架构。 二、核心概念深度解析 2.1 智能体的本质定义 作者给出的定义简洁而精准： ...
阅读全文