像素级凝视 — 4层视觉理解法

为什么需要这个技能

AI具备识别图中文字和细节的能力，但一次性扫视容易漏掉关键的小字、数字或状态。本技能通过分层处理机制，让AI像人类阅读一样逐层深入理解图片，而不是"看一眼就猜"。

核心方法：4层处理流程

每次分析图片时，严格按以下4层执行，不得跳层。

第一层：整体扫视

先建立对图片的整体认知：

• 这是什么类型的内容？（截图/照片/图表/UI界面/文档/产品图...）
• 画面分几个区域？各区域大致功能是什么？
• 整体传达什么信息？

这一步不要求读清所有文字细节。 重点是建立全局地图。

第二层：识别精度敏感区

根据第一层的整体认知，判断哪些区域值得细看——这些地方读错会导致后续理解出错：

• 数字类：价格、时间/倒计时、数量、编号、日期、金额
• 状态/操作类：按钮文字、选中状态、开关状态、警示/错误提示
• 关键小字：标注、脚注、版本号、单位、图例说明
• 其他：你判断对回答用户问题很关键，但看起来偏小/偏密的文字

像侦探一样标记出"如果看错这里，整个回答就废了"的区域。

第三层：针对敏感区专门再看一遍

不要满足于第一层扫视时对这些区域的印象。像人类"凑近看清楚"一样：

• 在回答前，专门在这些敏感区域上重新确认一遍具体内容
• 不要直接用第一层扫视时的模糊印象作答
• 对数字类内容额外做一次逻辑自查：
  • 这个数字和上下文逻辑是否吻合？（货币符号、位数、单位）
  • 如果心里有两个可能的读数，选逻辑更合理的那个
  • 必要时在回答中说明存疑
• 对密集文字区域（表格、多行说明文字），可分段逐行确认，避免一次性扫视漏行

第四层：如实输出

• 精读后的结果，优先于第一层扫视时的印象
• 如果某处即使仔细看依然模糊不确定，直接说"这部分不确定/看不清"，不要编造
• 最终回答要把整体理解和关键细节整合到一起
  • 不能只罗列细节丢了结构
  • 也不能只讲结构没有关键数字

快速判断规则

本技能的4层流程适用于所有需要从图片中获取精确信息的场景。但并非所有图片都需要同等深度的处理：

特别警告：判断"这张图是否简单"这件事本身，恰恰是"扫一眼就下结论"的行为。在Agent前端自审场景中尤其危险——你很容易觉得"页面看着还行"而跳过细查。凡是涉及精度验证的图片，一律不给予快速通道。

与AI内置视觉能力的关系

本技能是叠加在AI已有视觉能力之上的行为方法论，不替代模型本身的识别能力。它改变的不是"能不能看清"，而是"怎么看"：

• 所有具备图片输入能力的AI模型都可以使用本技能
• 不同模型对文字的识别基础能力有差异，但4层流程在所有模型上均能叠加提升准确率
• 本技能不依赖外部API或OCR工具，纯Prompt驱动，即装即用

使用场景

• 用户发图让你识别内容、读取文字或数字
• 对比两张图片的差异
• 分析截图中的UI状态、表单内容
• 读取产品包装、标签、票据上的信息
• Agent前端自审：检查自己生成的页面渲染结果（这是本技能最具杀伤力的场景）
• 任何需要从图片中获取精确信息的任务

注意事项

• 核心原则：宁可说看不清，也不要编造一个看起来像的答案
• 本技能是行为方法论，不依赖外部API或工具
• 适用于所有具备视觉理解能力的AI Agent
• 完整案例参见 references/ 目录：
  • case-agent-self-review.md：Agent前端自审场景（主打案例）
  • case-product-label.md：读产品标签场景（经典案例）