驾驶证识别OCR

这个技能解决什么问题

驾驶证录入是很多后台系统里一个琐碎但容易出错的环节。驾驶证主页和副页的排版并不统一，字段多、手写或打印风格差异大，靠人工键入很容易出现证件号抄错、准驾车型漏填、有效期没核对清楚的情况。

驾驶证识别OCR 把这个流程拆开：它不负责猜图片内容，也不把整张图直接丢给对话模型去“看”，而是把识别交给专门的工具函数，再把结构化结果交给上层应用使用。对工程师来说，它更像一个可预测的 OCR 接入层。

核心能力

这个技能目前只覆盖一类目标：机动车驾驶证。

它支持识别两个页面的字段：

• 主页：证号、姓名、性别、国籍、住址、出生日期、准驾车型、初次领证日期、有效期限
• 副页：档案编号

输入方式有两种：

• dataUrl：直接传图片文件链接
• dataBase64：传图片文件的 Base64 编码

这两种方式对应两套工具函数：

• scripts.tools.ocr_driver_license
• scripts.tools.ocr_driver_license_for_data_base64

它如何工作

SKILL.md 把大模型定位为路由层，代码负责真正调用 API。实际执行时可以分成几个步骤：

1. 检查 API 密钥

这是强前置条件。密钥来自 XBY_APIKEY，需要先保存到配置里。

如果 scripts.config.settings.api_key 为空，必须通过 AskUserQuestion 向用户询问密钥，拿到后调用 scripts.config.set_api_key(api_key) 保存。

1. 理解用户意图并选择工具

根据用户手里已有的是图片链接还是 Base64 编码，决定调用哪个函数。不要把链接和 Base64 混用。

1. 提取参数并调用工具

- 图片链接：使用关键字参数 dataUrl
- Base64：使用关键字参数 dataBase64

1. 整理返回结果

工具返回的是 dict 对象：

- result["raw"]：API 原始 JSON
- result["success"]：是否成功
- result["message"]：状态消息

推荐做法是先看 success，再基于 raw 做字段整理，而不是直接把 raw 当成最终展示数据。

适用边界与注意点

这个技能只适合结构化提取驾驶证关键字段，不适合把它当成通用证件识别器，也不适合用于护照、身份证、行驶证等其他证件场景。

有几个实现上必须注意的地方：

• API 密钥是必需的。缺少密钥时不能继续跑流程，也不能自行搜索或编造识别结果。
• 参数不完整时必须追问。例如用户只给图片但没有提供可访问的 dataUrl，或者给的不是合法 Base64，就应该通过 AskUserQuestion 补齐信息。
• 不要把识别任务外包给模型猜测。模型只做意图理解和参数组织，真正识别由工具函数完成。
• 对图片质量仍然敏感。如果图像模糊、裁切不完整、驾驶证反光严重，结构化结果可能不稳定，需要业务层再加校验。

一句话来说，这个技能的价值不是“什么都能识别”，而是把驾驶证 OCR 做成一条清晰、可调用、有明确失败条件的工具链。