技能介绍

在多语言文档进入检索、抽取或自动化流程前，最常见的痛点是「格式复杂」与「内容无序」并存。不同语种混排、表格与段落交错、附带代码片段或SVG元素的文档，人工整理耗时易错，代理直接摄入则会丢失排版逻辑与上下文关联，导致后续抽取结果偏差。

核心能力与工作方式

dots.ocr多语言文档解析技能针对这一问题，依托dots.ocr模型的多语言布局识别能力，为代理摄入提供可复用的解析支持。其核心是通过模型对文档的版面元素（文本、表格、图像位置）进行结构化拆解，输出保留语义与排版关联的结果，适配检索增强生成（RAG）、数据抽取等下游场景。关键流程包括：基于Python环境准备依赖（推荐vLLM部署推理，支持Hugging Face Transformers加载），下载模型权重（需注意模型保存路径不能包含句点，为临时兼容方案），调用模型对文档进行布局解析，生成结构化数据供代理使用。

适用边界与注意点

使用该技能时需关注环境与模型相关的约束。若遇到依赖安装问题，可优先选择官方Docker镜像简化部署；自vLLM 0.11.0起，dots.ocr已官方集成，可直接使用对应镜像运行。此外，不同来源的解析结果存在格式差异：OCRVerse等工具的结果可能来自SVG、Python等多种代码格式，而dots.ocr与Gemini 3 Pro的结果明确基于SVG代码，需根据文档原始格式匹配使用场景。同时，模型路径的命名限制（禁用句点）是暂行方案，待Transformers集成优化后可能调整。