feat(skills): 新增 dashscope-image-gen 和 xiaomi-tts 全局内置技能

- dashscope-image-gen: 阿里云通义万相文生图技能（wan2.7-image 系列） - xiaomi-tts: 小米 MiMo 语音合成技能（mimo-v2.5-tts 系列） - 更新 builtin-skills.json 清单
2026-06-06 04:30:42 +08:00 · 2026-05-12 23:13:15 +08:00
parent 0f68e665ac
commit c62a4d68f2
3 changed files with 441 additions and 0 deletions
--- a/builtin-skills.json
+++ b/builtin-skills.json
@@ -1,6 +1,7 @@
 {
  "skills": [
    "create-agent",
+    "dashscope-image-gen",
    "delete-agent",
    "dev-environment-setup",
    "discover-agent",
@@ -21,6 +22,7 @@
    "update-agent",
    "web-access",
    "workflow",
+    "xiaomi-tts",
    "xlsx"
  ]
 }
--- a/skills/dashscope-image-gen/SKILL.md
+++ b/skills/dashscope-image-gen/SKILL.md
@@ -0,0 +1,204 @@
+---
+name: 阿里云 文生图
+description: >-
+  Use this skill when the user wants to generate images using Alibaba Cloud
+  DashScope's Wan (通义万相) series models. Supports text-to-image with multiple
+  model tiers (wan2.7-image-pro, wan2.7-image). Uses OpenAI-compatible
+  chat/completions API for synchronous image generation.
+  Use when 用户提到 生成图片、画图、文生图、创建图片、AI 绘画、
+  生成插图、画一张、帮我画、设计图片、通义万相、万相、阿里云画图、dashscope 画图。
+license: Complete terms in LICENSE.txt
+version: 1.1.0
+type: procedural
+risk_level: low
+status: enabled
+disable-model-invocation: false
+provider: dashscope
+tags:
+  - media
+  - image
+  - generation
+  - dashscope
+  - alibaba
+requires:
+  tools:
+    - Bash
+metadata:
+  author: desirecore
+  updated_at: '2026-05-08'
+market:
+  icon: >-
+    <svg xmlns="http://www.w3.org/2000/svg" width="24" height="24" viewBox="0 0
+    24 24" fill="none"><rect x="3" y="3" width="18" height="18" rx="3"
+    stroke="#34C759" stroke-width="1.5" fill="#34C759"
+    fill-opacity="0.1"/><path d="M7 14l3-4 2.5 3 3.5-5 4 6H7z" fill="#34C759"
+    fill-opacity="0.4" stroke="#34C759" stroke-width="1.2"
+    stroke-linejoin="round"/><circle cx="15.5" cy="8.5" r="1.5" fill="#34C759"
+    fill-opacity="0.6"/></svg>
+  short_desc: 基于阿里云通义万相的文本生成图片技能
+  category: media
+  maintainer:
+    name: DesireCore Official
+    verified: true
+  channel: latest
+---
+
+# dashscope-image-gen 技能
+
+## 强制规则（违反将导致功能失败）
+
+1. **必须用 HTTPS 访问 agent-service** — `https://127.0.0.1:${PORT}` 加 `-k` 跳过证书验证
+2. **必须通过 `/api/media/upload` 上传到 media-store** — 禁止保存到本地路径
+3. **必须使用 `dc-media://` 协议展示图片** — 唯一能让前端正确渲染的方式
+4. **全程使用 Bash curl** — 不要使用 HttpRequest 工具或 Python
+5. **使用 compatible-mode（/chat/completions）** — 同步调用，响应直接包含图片 URL
+
+## 模型选择指南
+
+| 模型 | 特点 | 适用场景 |
+|------|------|---------|
+| wan2.7-image-pro | 旗舰，4K 分辨率，thinking_mode | 用户要求最高画质、4K、细节丰富 |
+| wan2.7-image | 标准高画质，thinking_mode | **默认首选**，无特殊要求时使用 |
+
+**默认规则**：用户未指定模型时，使用 `wan2.7-image`。
+
+## 完整执行流程（严格按此两步执行）
+
+### 前置条件
+
+- 用户已在资源管理器-算力中配置阿里云 DashScope Provider 并填写 API Key
+- agent-service 正在运行
+
+### 第一步：调用文生图 API（同步）
+
+通过 media-proxy 的 compatible-mode 端点生成图片，响应直接包含图片 URL：
+
+```bash
+PORT=$(cat ~/.desirecore/agent-service.port)
+curl -sk -X POST "https://127.0.0.1:${PORT}/api/media-proxy" \
+  -H "Content-Type: application/json" \
+  -d '{
+    "provider": "dashscope",
+    "serviceType": "image_gen",
+    "endpoint": "/chat/completions",
+    "body": {
+      "model": "wan2.7-image",
+      "messages": [
+        {
+          "role": "user",
+          "content": [
+            {"type": "text", "text": "这里替换为图片描述（建议英文效果更好）"}
+          ]
+        }
+      ]
+    },
+    "responseType": "json"
+  }'
+```
+
+**响应示例**：
+```json
+{
+  "success": true,
+  "data": {
+    "request_id": "...",
+    "output": {
+      "choices": [
+        {
+          "message": {
+            "role": "assistant",
+            "content": [
+              {
+                "type": "image",
+                "image": "https://dashscope-result.oss.aliyuncs.com/..."
+              }
+            ]
+          },
+          "finish_reason": "stop"
+        }
+      ]
+    }
+  },
+  "statusCode": 200
+}
+```
+
+从 `data.output.choices[0].message.content` 中找到 `type: "image"` 的项，提取其 `image` URL。
+
+### 第二步：下载并上传到 media-store
+
+图片 URL 有时效，必须立即下载并保存到本地 media-store：
+
+```bash
+PORT=$(cat ~/.desirecore/agent-service.port)
+IMAGE_URL="第一步响应中的 image URL"
+curl -sL "$IMAGE_URL" -o /tmp/dashscope-gen.png && \
+curl -sk -X POST "https://127.0.0.1:${PORT}/api/media/upload" \
+  -F "file=@/tmp/dashscope-gen.png;type=image/png"
+```
+
+从 JSON 响应中提取 `mediaId` 字段（格式如 `xxxxxxxx-xxxx-xxxx-xxxx-xxxxxxxxxxxx.png`）。
+
+### 第三步：用 dc-media 协议展示图片
+
+在你的回复文本中直接写 Markdown 图片语法：
+
+```
+![图片描述](dc-media://这里替换为mediaId)
+```
+
+例如：`![森林中的白色狐狸](dc-media://a1b2c3d4-e5f6-47a8-b9c0-d1e2f3a4b5c6.png)`
+
+前端会自动将 `dc-media://` 转为可访问的图片 URL 并渲染出来。
+
+## 参数映射
+
+### 尺寸选择
+
+通义万相通过 compatible-mode 调用时，尺寸通过 `size` 参数传入（放在请求体顶层）：
+
+```json
+{
+  "model": "wan2.7-image",
+  "size": "1024x1024",
+  "messages": [...]
+}
+```
+
+| 用户意图 | size 参数 |
+|---------|-----------|
+| 正方形/头像/默认 | "1024x1024" |
+| 横版/风景/壁纸 | "1792x1024" |
+| 竖版/手机/海报 | "1024x1792" |
+
+### 可选参数（加入请求体顶层）
+
+| 参数 | 说明 |
+|------|------|
+| `n` | 生成数量 1-4，默认 1 |
+| `size` | 图片尺寸，如 "1024x1024" |
+
+## 多图生成
+
+当 `n > 1` 时，`choices` 数组会有多个元素，每个 `message.content` 中都有一张图片。需要为每张图片执行下载+上传，然后逐一展示：
+
+```
+![图片1描述](dc-media://mediaId1)
+![图片2描述](dc-media://mediaId2)
+```
+
+## 错误处理
+
+- `success: false` + `error: "未找到匹配的供应商"`：未配置 DashScope Provider 或未启用
+- `success: false` + `error: "未配置 API Key"`：未填写 API Key
+- `statusCode: 401`：API Key 无效或已过期
+- `statusCode: 429`：频率限制，稍后重试
+- `statusCode: 400` + `InvalidParameter`：参数错误（如尺寸不支持）
+- `statusCode: 403` + `AccessDenied.Unpurchased`：模型未开通，需要在阿里云控制台开通
+
+## 注意事项
+
+- 通过 compatible-mode 调用是同步的，通常 10-60 秒返回（wan2.7-image-pro 可能更长）
+- 结果图片 URL 有时效，必须及时下载
+- 提示词建议用英文以获得最佳效果，中文也支持
+- 如果用户未明确要求模型/尺寸，默认使用 `wan2.7-image` + `1024x1024`
--- a/skills/xiaomi-tts/SKILL.md
+++ b/skills/xiaomi-tts/SKILL.md
@@ -0,0 +1,235 @@
+---
+name: 小米 MiMo 语音合成
+description: >-
+  Use this skill when the user wants to convert text to speech using Xiaomi
+  MiMo's TTS models (mimo-v2.5-tts). Uses OpenAI-compatible chat/completions
+  API with audio response. Supports multiple preset voices and custom voice
+  design.
+  Use when 用户提到 语音合成、文字转语音、TTS、朗读、读出来、生成语音、
+  生成音频、文本转音频、配音、念出来、小米语音、MiMo 语音、小米 TTS。
+license: Complete terms in LICENSE.txt
+version: 1.0.0
+type: procedural
+risk_level: low
+status: enabled
+disable-model-invocation: false
+provider: xiaomi
+tags:
+  - media
+  - audio
+  - tts
+  - speech
+  - xiaomi
+  - mimo
+requires:
+  tools:
+    - Bash
+metadata:
+  author: desirecore
+  updated_at: '2026-05-08'
+market:
+  icon: >-
+    <svg xmlns="http://www.w3.org/2000/svg" width="24" height="24" viewBox="0 0
+    24 24" fill="none"><rect x="3" y="3" width="18" height="18" rx="3"
+    stroke="#FF6900" stroke-width="1.5" fill="#FF6900"
+    fill-opacity="0.1"/><path d="M8 9v6M11 7v10M14 10v4M17 8v8"
+    stroke="#FF6900" stroke-width="2"
+    stroke-linecap="round"/></svg>
+  short_desc: 基于小米 MiMo 的文本转语音技能
+  category: media
+  maintainer:
+    name: DesireCore Official
+    verified: true
+  channel: latest
+---
+
+# xiaomi-tts 技能
+
+## 强制规则（违反将导致功能失败）
+
+1. **必须用 HTTPS 访问 agent-service** — `https://127.0.0.1:${PORT}` 加 `-k` 跳过证书验证
+2. **必须通过 `/api/media/upload` 上传到 media-store** — 禁止保存到本地路径
+3. **必须使用 `dc-media://` 协议展示音频** — 唯一能让前端正确渲染的方式
+4. **全程使用 Bash curl** — 不要使用 HttpRequest 工具或 Python
+5. **使用 /chat/completions 端点** — 小米 MiMo TTS 使用 OpenAI 兼容格式
+
+## 模型选择指南
+
+| 模型 | 特点 | 适用场景 |
+|------|------|---------|
+| mimo-v2.5-tts | 标准 TTS，多种预置音色 | **默认首选**，常规语音合成 |
+| mimo-v2.5-tts-voicedesign | 自定义音色设计 | 需要特定音色描述生成 |
+| mimo-v2.5-tts-voiceclone | 声音克隆 | 需要克隆特定人声（需上传参考音频） |
+
+**默认规则**：用户未指定模型时，使用 `mimo-v2.5-tts`。
+
+## 音色选择指南
+
+### 预置音色
+
+| voice_id | 名称 | 特点 |
+|----------|------|------|
+| default_zh | 默认中文 | 中文通用女声 |
+| default_en | 默认英文 | 英文通用女声 |
+| mimo_default | MiMo 默认 | MiMo 特色音色 |
+| Bingtang | 冰糖 | 甜美女声 |
+| Moli | 茉莉 | 温柔女声 |
+| Suda | 苏打 | 年轻男声 |
+| Baihua | 白桦 | 成熟男声 |
+| Mia | Mia | 英文女声 |
+| Chloe | Chloe | 英文女声 |
+| Milo | Milo | 英文男声 |
+| Dean | Dean | 英文男声 |
+
+**默认规则**：中文内容用 `Bingtang`，英文内容用 `Mia`，用户未指定时按内容语言自动选择。
+
+## 完整执行流程（严格按此三步执行）
+
+### 前置条件
+
+- 用户已在资源管理器-算力中配置小米 MiMo Provider 并填写 API Key
+- agent-service 正在运行
+
+### 第一步：调用 TTS API
+
+通过 media-proxy 的 /chat/completions 端点生成语音。
+
+**重要**：messages 必须使用 `assistant` role（不是 user），要合成的文本放在 assistant 消息的 content 中。
+
+```bash
+PORT=$(cat ~/.desirecore/agent-service.port)
+curl -sk -X POST "https://127.0.0.1:${PORT}/api/media-proxy" \
+  -H "Content-Type: application/json" \
+  -d '{
+    "provider": "xiaomi",
+    "serviceType": "tts",
+    "endpoint": "/chat/completions",
+    "body": {
+      "model": "mimo-v2.5-tts",
+      "messages": [
+        {
+          "role": "assistant",
+          "content": "这里替换为要合成的文本内容"
+        }
+      ],
+      "voice": "Bingtang",
+      "audio": {"format": "mp3"}
+    },
+    "responseType": "json"
+  }'
+```
+
+**响应示例**：
+```json
+{
+  "success": true,
+  "data": {
+    "id": "chatcmpl-...",
+    "choices": [
+      {
+        "index": 0,
+        "message": {
+          "role": "assistant",
+          "audio": {
+            "data": "base64编码的音频数据...",
+            "format": "mp3"
+          }
+        },
+        "finish_reason": "stop"
+      }
+    ]
+  },
+  "statusCode": 200
+}
+```
+
+从 `data.choices[0].message.audio.data` 提取 base64 编码的音频数据。
+
+### 第二步：解码并上传到 media-store
+
+音频以 base64 返回，需要解码后保存到本地 media-store。
+
+**推荐方式**（先保存完整响应到文件，避免 shell 参数过长）：
+
+```bash
+PORT=$(cat ~/.desirecore/agent-service.port)
+# 将完整请求和响应保存到文件
+curl -sk -X POST "https://127.0.0.1:${PORT}/api/media-proxy" \
+  -H "Content-Type: application/json" \
+  -d '{
+    "provider": "xiaomi",
+    "serviceType": "tts",
+    "endpoint": "/chat/completions",
+    "body": {
+      "model": "mimo-v2.5-tts",
+      "messages": [{"role": "assistant", "content": "要合成的文本"}],
+      "voice": "Bingtang",
+      "audio": {"format": "mp3"}
+    },
+    "responseType": "json"
+  }' > /tmp/xiaomi-tts-response.json
+
+# 提取 base64 音频数据并解码
+cat /tmp/xiaomi-tts-response.json | jq -r '.data.choices[0].message.audio.data' | base64 -d > /tmp/xiaomi-tts.mp3
+
+# 上传到 media-store
+curl -sk -X POST "https://127.0.0.1:${PORT}/api/media/upload" \
+  -F "file=@/tmp/xiaomi-tts.mp3;type=audio/mpeg"
+```
+
+从 JSON 响应中提取 `mediaId` 字段（格式如 `xxxxxxxx-xxxx-xxxx-xxxx-xxxxxxxxxxxx.mp3`）。
+
+### 第三步：用 dc-media 协议展示音频
+
+在你的回复文本中直接写 Markdown 语法：
+
+```
+![语音合成结果](dc-media://这里替换为mediaId)
+```
+
+例如：`![TTS: 你好世界](dc-media://a1b2c3d4-e5f6-47a8-b9c0-d1e2f3a4b5c6.mp3)`
+
+前端会自动检测 `.mp3` 扩展名并渲染为音频播放器。
+
+## 参数映射
+
+### 请求体参数（放在 body 中）
+
+| 参数 | 说明 | 默认值 |
+|------|------|--------|
+| `model` | 模型名称 | "mimo-v2.5-tts" |
+| `messages[0].role` | **必须为 "assistant"** | "assistant"（固定） |
+| `messages[0].content` | 要合成的文本 | 必填 |
+| `voice` | 音色 ID | "Bingtang"（中文）/ "Mia"（英文） |
+| `audio.format` | 音频格式 | "mp3"（可选 "wav"） |
+
+### 用户意图映射
+
+| 用户意图 | 参数选择 |
+|---------|---------|
+| 甜美/可爱 | voice: "Bingtang" |
+| 温柔/知性 | voice: "Moli" |
+| 年轻男声 | voice: "Suda" |
+| 成熟男声 | voice: "Baihua" |
+| 英文女声 | voice: "Mia" 或 "Chloe" |
+| 英文男声 | voice: "Milo" 或 "Dean" |
+| 高音质/无损 | response_format: "wav" |
+
+## 错误处理
+
+- `success: false` + `error: "未找到匹配的供应商"`：未配置小米 MiMo Provider 或未启用
+- `success: false` + `error: "未配置 API Key"`：未填写 API Key
+- `statusCode: 401`：API Key 无效或已过期
+- `statusCode: 429`：频率限制，稍后重试
+- `statusCode: 400`：参数错误（如 voice 不存在、文本为空）
+- `statusCode: 403`：模型未开通或权限不足
+
+## 注意事项
+
+- 调用是同步的，通常 3-15 秒返回（视文本长度而定）
+- 音频以 base64 返回，无外部 URL 时效问题，但数据量较大时注意 shell 参数长度限制
+- 长文本建议分段合成（每段不超过 500 字），然后逐段上传展示
+- 如果用户未明确要求音色/格式，默认使用 `mimo-v2.5-tts` + 按语言选音色 + `mp3`
+- Token Plan 密钥（tp- 前缀）使用 `https://token-plan-cn.xiaomimimo.com/v1` 端点
+- 按量付费密钥使用 `https://api.xiaomimimo.com/v1` 端点
+- media-proxy 会自动根据配置选择正确的端点，技能无需区分