InsightLens AI：基于Gemini Vision的多模态视觉智能助手

一个基于Google Gemini Vision和Streamlit构建的生产级生成式AI应用，支持图像上传、自然语言交互、学习笔记生成、测验创建和图表分析等功能。

• 原作者/维护者： SrkPavan-GenAI
• 来源平台： GitHub
• 原始标题： insightlens-ai
• 原始链接： https://github.com/SrkPavan-GenAI/insightlens-ai
• 发布时间： 2026年6月9日

---

InsightLens AI是一个生产级的生成式AI应用，旨在让用户通过自然语言与图像进行交互。该项目基于Google Gemini Vision和Streamlit构建，将传统的视觉问答（VQA）转变为一个适合招聘展示的多模态AI应用。

---

InsightLens AI的核心能力在于其强大的多模态处理功能。用户可以上传JPG、JPEG和PNG格式的图像，系统通过Google Gemini Vision模型进行深度理解。无论是复杂的图表、学习资料图片，还是日常场景照片，系统都能提取关键信息并生成有价值的洞察。

项目内置了多种预设提示模板，覆盖不同应用场景：

• 图像描述（Describe Image）：生成图像的详细文字描述
• 物体识别（What Objects Are Visible?）：识别并列出图像中的主要物体
• 图像摘要（Summarize Image）：提炼图像的核心内容
• 学习笔记创建（Create Study Notes）：将图像内容转化为结构化学习材料
• 关键洞察提取（Extract Key Insights）：深度分析图像信息
• 测验问题生成（Generate Quiz Questions）：基于图像内容自动生成测试题目
• 图表解释（Explain Chart）：专门用于解析数据图表和可视化内容

系统实现了基于会话的记忆管理功能，能够存储和检索之前的交互记录。用户可以回顾过往的问题和回答，支持导出生成的响应内容，便于后续参考和分享。

InsightLens AI内置了详细的Token使用追踪功能，包括：

• 提示Token数量统计
• 响应Token数量统计
• 总Token消耗计算
• 预估使用成本
• 用户可控的Token限制设置

这一功能对于理解大模型API的消耗模式和成本控制具有重要意义。

---

类别	技术选型
前端框架	Streamlit
AI模型	Google Gemini Vision
编程语言	Python 3.11
图像处理	Pillow (PIL)
数据存储	JSON
环境管理	Python Dotenv
版本控制	Git & GitHub