文本识别OCR

要解决什么问题

工程师和知识工作者经常需要从不可选中的文字里拿到纯文本：扫描件 PDF 截图、会议白板照片、应用界面截图、线下广告牌等。手工抄写慢且易错；本地 OCR 又要装模型、调参数。本技能通过小笨羊 OCR API，把「给一张图 → 拿回识别文本」封装成 Agent 可调用的工具，由模型根据你提供的输入形式选路。

技能如何工作

Agent 充当路由层：理解意图、补齐参数、调用 scripts.tools 里的函数，代码侧只负责 HTTP/API，不做臆测识别。

1. 密钥检查：若 scripts.config.settings.api_key 为空，须向用户索取密钥并调用 scripts.config.set_api_key 写入 .env（密钥在 xiaobenyang.com 获取）。
2. 选工具：按图片来源三选一：

- ocr：必填 dataUrl（图片 URL）
- ocr_for_data_base64：必填 dataBase64（图片 Base64）
- ocr_for_data_file：本地文件路径

1. 调用与返回：用关键字参数调用对应函数；将返回 dict 中的 result["raw"]（API 原始 JSON）整理后展示；同时可参考 success 与 message 判断状态。

适用边界与注意点

• 无密钥不可用：缺少 API 密钥时不得自行搜索或编造识别结果。
• 输入必须是含文字的图像：识别质量取决于清晰度、语种与版式；极端模糊、强畸变场景需有心理预期。
• 参数不全时：应通过交互向用户补全 dataUrl / dataBase64 / 文件路径，再发起调用。