GLM OCR 文档与图片识别

什么时候会用到

工程里经常遇到「只有 PDF 或截图、没有可复制文本」的情况：需求文档是扫描件、Bug 截图里嵌了表格、设计稿导出成图片。手工抄录既慢又容易丢结构。若还需要把版面（标题、段落、表格区域）保留下来供后续 diff 或二次编辑，普通 OCR 往往只给纯文本，Markdown 结构得自己猜。

技能如何工作

本技能以 scripts/glm_ocr_extract.py 为默认执行路径，调用 GLM OCR 接口处理本地 pdf、png、jpg、jpeg，也支持 http(s) 远程链接。

典型产出包括：

• result.md：版面感知解析后的 Markdown；远程图片链接会改写为相对本地路径，便于离线阅读或入库。
• images/：result.md 引用的图片资源。
• result.raw.md：OCR 服务返回的原始 Markdown，便于对比清洗前后差异。
• response.json：完整 API 响应，含 bbox_2d、label、content 等布局块，方便调试或做结构化后处理。

首次使用前需确认项目根目录是否存在 .env；若不存在，应从 .env.example 复制并配置 GLM_API_KEY（环境变量或 .env 均可），否则视为未初始化。

适用边界与注意点

• 依赖 GLM OCR API 的识别质量与配额，复杂排版、手写体或极低分辨率图可能仍需人工校对。
• 技能侧重抽取与结构化输出，不包含通用文档管理或批量调度框架；大规模流水线需自行封装脚本与重试策略。
• 调试布局问题时优先查 response.json，正文展示以 result.md 为准，需要追溯原文时可对照 result.raw.md。