PicSearch Plugin

一个利用视觉语言模型（VLM）进行智能图片筛选的 AstrBot 插件。

工作原理

本插件采用一种“淘汰赛”机制来从海量图片中找到最符合用户要求的一张。其工作流程如下：

1. 抓取 (Scraping): 根据用户提供的关键词，从 Bing 图片搜索抓取大量（默认为64张）候选图片链接。
2. 合成 (Composing): 将一批候选图片（例如16张）在内存中合成为一张带有数字标签的拼接图（Collage）。
3. 筛选 (VLM Selection): 将这张拼接图和用户提供的详细描述，一同提交给一个多模态大语言模型（VLM）。
4. 淘汰 (Elimination): VLM 会返回它认为符合描述的图片的数字标签。这些被选中的图片将成为“优胜者”，进入下一轮比赛。
5. 循环 (Looping): 重复第 2-4 步，直到只剩下一位最终的“冠军”图片。
6. 返回结果: 将最终胜出的图片发送给用户。

这个过程通过多轮对比和筛选，能够从一个宽泛的搜索结果中，相对精确地定位到满足具体视觉描述的图片。

使用方法

你可以通过发送指令来使用本插件，同时本插件也已注册llm工具调用。下载安装后请注意配置支持视觉输入的供应商，本插件在gemini-2.5-flash上进行开发验证测试。

指令格式

/搜图 <关键词> <详细描述> [数量]

参数说明

• <关键词>: （必填） 用于在搜索引擎进行初步筛选的通用词语。

  • 示例: 猫, 风景, 汽车

• <详细描述>: （必填） 用于让 VLM 进行精确智能筛选的、对画面的具体描述。描述越详细，结果越精确。

  • 示例: 一只正在打哈欠的黑猫, 雨后黄昏的城市街道, 一辆红色的法拉利跑车

• [数量]: （可选） 初始抓取的图片数量，用于扩大筛选范围。数量越多，找到满意结果的概率越大，但耗时也越长。默认为 64。

  • 示例: 100

使用示例

• /搜图 狗 最凶猛的
• /搜图 东京街景 雨夜，霓虹灯闪烁 100