智绘文字识别

适用问题

当 Agent 需要从截图、扫描件、PDF 页图、聊天图片中提取文字时，通常要处理三个工程问题：图片如何稳定传入、长耗时识别如何异步跟踪、识别结果如何按用户意图清洗。智绘文字识别把 OCR 封装成 OpenAI 兼容的对话接口，输入图片和 Prompt，输出可继续处理的结构化文本。

工作方式

• 调用模型：默认走 POST /api/v1/llm/invoke，也可用 POST /api/v1/llm/tasks 强制异步。OCR 是慢任务，需要取 data.task.id 并轮询 GET /api/v1/llm/tasks/{task_id}，直到 status = succeeded。
• 图片传入：优先使用真实可访问的 https://... 图片地址，放在 user.content[] 的 image_url 中。若只有 Base64，可用 data:image/png;base64,... 或裸 b64 字段，但依赖后台开启 Base64 转 OSS。
• Prompt 控制：system 消息承载识别意图，如 OCR this image.、Convert the document to markdown.；user 消息只放图片。输出在 choices[0].message.content，可能包含布局标注，需要按场景清洗。
• 付费与错误：按次计费，未支付会返回 402，客户端用相同请求体和支付 Header 重试；常见 400、404、503 多与图片地址、模型启用或服务状态有关。

注意点

适合图片文字提取、文档转 Markdown、图表解析、关键词定位等场景。不适合把示例占位符、相对路径或脱敏日志当作真实图片提交；Base64 体积较大时，建议先写 JSON 文件再提交，避免 shell 截断。