腾讯云实时文档抽取Agent

解决什么问题

在办公流程里，很多信息并不在结构化数据库里，而是散落在合同、发票、报告等图片或 PDF 单页中。人工录入不仅慢，还容易把字段抄错，尤其是键值对和表格字段混杂时，固定模板很难覆盖。腾讯云实时文档抽取Agent 解决的就是这个问题：给定一张图片或 PDF 单页，以及你关心的字段名，直接返回结构化 JSON。

技能如何工作

它调用腾讯云 OCR 的实时文档抽取接口，面向 30 秒以内、输入输出 Token 约 2000 以内的场景。核心输入包括：

• ImageBase64 或 ImageUrl，二选一，支持 PNG、JPG、JPEG、BMP 和 PDF。
• ItemNames，即你要抽取的字段列表；每个字段可用 KeyName 指定名称，KeyType 区分 KV 对（0） 和 表格字段（1），并可用 KeyPrompt 提供字段描述。
• PdfPageNumber，当输入是 PDF 时指定单页页码。

返回结果不是整段文本，而是按 GroupInfo、LineInfo、ItemInfo 组织的结构化数据，字段值可包含 AutoName、AutoContent、坐标、页码等信息。这个设计适合下游程序直接消费，而不需要再写正则去切分 OCR 文本。

边界与注意点

该技能更偏向“实时字段抽取”，不是通用长文档智能体。需要特别注意：图片/PDF 编码后不超过 10M，像素建议 20～10000px；PDF 只支持单页识别；ItemNames 不能为空；KV 和表格字段分别有数量上限；默认请求频率约 20 次/秒。若服务未开通、文件下载失败、图片解码失败或账号欠费，响应里通常会出现对应错误码，需要结合 ErrorCode 和 ErrorMessage 处理。