用途:本技能让你“阅读”图片并把内容转为可编辑的Markdown文本,适用于提取数据表格、幻灯片内容或文档截图,尤其在无法使用外部OCR库时。
主要能力:支持转录图片中的文本、标题(用#、##保持层级)、表格(转为标准Markdown表格 | 表头 | ... |)与数字,并对图表可描述趋势或提取可见数据点为列表或表格。
使用方式:先用 list_dir 浏览目录定位目标图片;对图片路径使用 view_file 让视觉模型读取图像;再基于所见内容转录为Markdown,用 write_to_file 写入.md文件(例如 ocr_results.md)。处理多张图片时可追加到同一文件或按逻辑组织。
最佳实践:表格需仔细对齐行列,标准Markdown不支持单元格合并,需按逻辑展开或留空;复杂布局按从上到下、从左到右的逻辑阅读顺序序列化;财务等数字要仔细核对。该方式无需编写或使用 Python 库(如 pytesseract、easyocr、PIL)进行文本提取,直接利用自身视觉能力。
限制:标准Markdown表格不支持合并单元格;复杂分栏需人工序列化;图表数值需依赖可见数据点。其他收费、平台、精度等信息暂未提供。