lyl1015 JarvisHub 视觉重点提取（Visual Focus）
适用场景：
- 用户给了图片（URL 或 DataURL），并希望你提取“视觉重点/关键要素/注意力在哪里/风格要点/拍摄布光要点”。
- 用户的目标来自对话：例如“复现这张图”“做同风格海报”“做镜头图片/视频风格对齐”“提炼这张图的视觉主轴”。
目标
- 不“看图编故事”：只基于图中可见内容；不确定就标注“推测/不清晰”。
- 把“视觉重点”拆成可执行清单：必须保留 vs 可以替换。
- 给出后续生成/改图可直接用的“提示词骨架”（必要时给英文 prompt + negative prompt）。
工作流（按对话驱动）
- 拿到图片输入
- 优先使用用户给的
imageUrl（http(s) 或相对路径/...）。 - 其次
imageData（data:image/*;base64,...）。 - 如果用户没给图片或给的是
blob:/本地路径，先让用户上传为可访问 URL，或让其提供 DataURL。
- 从对话中抽取“用户想要的视觉重点”
- 用途：复现/改图/海报/视频/风格对齐
- 强调：主体、材质、文字、光线、氛围、配色、构图、镜头
- 忽略：不想要的元素（背景、道具、文字等）
- 输出偏好：要中文总结、要 JSON、要英文 prompt、要负面词等
- 调用图片理解工具（必做）
- 使用
canvas_vision。 - 若当前 schema 支持温度参数，默认保持低值。
- 视觉模型由服务端默认配置决定，不要在工具参数里传任何未暴露的模型 / 厂商选择字段。
- 若上游已经提供外部
prompt，直接透传；若未提供，再使用下方推荐模板。
建议给视觉任务 prompt 的模板（把对话目标填进去）：
“你是资深视觉导演与提示词工程师。请基于输入图片，结合我的目标：<用户目标>，提取我需要的视觉重点。输出严格有效 JSON（不要代码块/多余文字），字段如下：
- summaryZh: 一句话画面摘要
- focusPoints: 数组，每项包含 pointZh（重点）、importance（1-5）、evidence（图中依据/位置特征）、mustKeep（true/false）、canVary（可替换/可变化的方向）
- composition: 构图与镜头（景别/视角/主体位置/景深与焦段倾向；推测需标注）
- lighting: 光线（主光方向、软硬、色温、阴影特征）
- colorPalette: 主色/辅色与氛围
- styleTags: 风格标签数组（摄影/插画/3D/动漫等）
- textInImage: 画面可见文字（不清晰就写不清晰）
- englishPrompt: 可复现英文提示词（只输出提示词正文）
- negativePrompt: 建议的反向提示词（可选）
注意：不要编造不存在的品牌/文字/认证信息；对不确定内容用‘推测/可能’。””
- 把结果变成“可执行”输出
- 如果返回是 JSON：优先按 focusPoints 输出，并补齐“必须保留/可以替换/提示词骨架”。
- 如果返回不是 JSON：按同样结构用中文整理一份（不要臆测）。
推荐输出模板（中文）
- 视觉重点（Top 5-10）：（每条含重要度、必须保留/可替换）
- 必须保留：用于风格对齐/复现的关键要素
- 可以替换：在不破坏风格前提下可变化的要素
- 提示词骨架（用于生成/改图）：中文要点 +（如需要）英文 prompt
- 反向提示词建议（可选）
调用示例（工具参数示意）
- 调用参数以当前
canvas_visionschema 为准：必须提供真实图片输入和任务 prompt；若 schema 支持温度参数，使用低值；不要传未暴露的模型 / 厂商选择字段。