技能介绍

问题

图片中的文字常以截图、扫描件、表格、图表形式存在。手工转录不稳定，普通 OCR 有时只能给纯文本，丢失布局，或者无法处理文档转 Markdown、图表解析、关键词定位等场景。这里需要的是一个明确的 OCR 调用路径，能把图片变成可编辑文本，同时保留足够结构信息供后续清洗。

工作方式

全能文字识别把 OCR 暴露为异步接口。先提交 POST /api/v1/llm/invoke 或任务接口，传入 OpenAI 兼容的 messages：system 写场景 Prompt，user 只放 image_url。图片可用公网 https:// 链接，也可用完整 data: Base64 或裸 b64。请求返回 task_id 后轮询任务，直到 succeeded，再从 choices[0].message.content 读取结果。

文档转 Markdown：保留页面结构。
普通 OCR：提取纯文字。
图表解析：处理示意图和图表内容。
关键词定位：在图中定位指定词。

输出可能包含布局标注，需要按下游展示或检索需求清洗标记。

注意边界

Base64 提交必须真实可解码，不能保留示例占位符；如果模型未开启后端转 OSS，Base64 可能失败。公网图优先，避免 shell 截断超长 Base64。该能力按次计费，402 后需按返回的支付标识原样重试。适合工程化图片文字提取、文档 Markdown 化、截图内容结构化；不适合需要离线部署、批量大文件秒级返回或未配置图片访问权限的场景。