图片识别 (Image Recognition)

Author: dugufeng Tags: language:chinese, example, vision, multimodal, qwen-vl Dify Version: v1.9.2+(请填写你测试通过的 Dify 版本)

一个简单的多模态工作流，输入一张图片，使用 Qwen-VL 模型返回对图片的中文描述。

✨ 核心特性

• 支持多模态图像输入，自动生成中文描述。
• 基于 Qwen2.5-VL-32B-Instruct 模型，具备强大的视觉理解能力。
• 无需额外工具配置，开箱即用。

🚀 如何使用

1. 设置 API 密钥:
   • 此工作流依赖 langgenius/siliconflow 供应商。
   • 请确保你已在 Dify 的“凭据”中为 SiliconFlow (或相关供应商) 设置了有效的 API 密钥。
2. 配置工具:
   • 无需配置额外工具。
3. 运行工作流:
   • 在“开始”节点的 imageUrl 变量中上传一张图片。
   • 运行工作流，并在“结束”节点查看 text 输出（即图片描述）。

🛠️ 工作流节点

• 开始节点: 接收一个 file (文件) 类型的输入，变量名为 imageUrl。
• LLM 节点:
  • 使用 Qwen/Qwen2.5-VL-32B-Instruct 多模态模型。
  • 开启了“视觉 (vision)”功能，并将 imageUrl 变量传入。
  • Prompt (中文): "提取图片核心信息，用简洁准确的语言输出图片内容描述..."
• 结束节点: 返回一个 text (字符串) 类型的输出，即 LLM 生成的描述。

📸 运行截图 (强烈推荐)

工作流图

运行示例