LLMWhisperer 图文提取
将以下提示词粘贴到你的 AI 对话框中:
请根据 https://skillhub.cn/install/skillhub.md,安装 @org-eyw2ohcx/sundial-org-awesome-openclaw-skills-llmwhisperer。
技能介绍
问题背景
扫描件、拍照的纸质表格、手写便签和版式复杂的 PDF,往往无法被普通 OCR 或纯文本解析稳定还原。字段错位、手写笔画粘连、多栏排版会让后续整理、检索和录入成本很高。你需要的是把「图像里的字」变成可编辑、可搜索的纯文本,而不是再人工逐字对照。
技能如何工作
本技能通过 LLMWhisperer API 调用 Unstract 提供的文档理解能力,由 Agent 执行仓库中的 scripts/llmwhisperer 脚本处理本地或指定的图片与 PDF。
- 输入:图片或 PDF 文件路径(含手写笔记、复杂表单类文档)。
- 输出:可在终端打印,也可写入指定文本文件,便于接入后续流水线。
- 配置:在
~/.clawdbot/.env中设置LLMWHISPERER_API_KEY;可在 unstract.com/llmwhisperer 申请免费密钥(免费档约 100 页/天)。
典型用法包括:把手写会议记录拍成图后提取正文、把填好的纸质表单扫描件转成结构化草稿文本,以及对版式复杂的 PDF 做全文抽取而非简单复制粘贴。
适用边界
- 依赖外部 API 与网络,密钥用量受账户配额限制。
- 对极模糊、严重污损或极低分辨率的图像,识别质量会下降;复杂表格的「版式还原」不等于自动结构化数据库字段,通常仍需人工校对关键数值。
- 脚本路径与 Clawdbot 环境绑定,换环境需确认配置与脚本位置一致。
使用场景
- 纸质会议记录拍照后,需要把手写要点整理成可搜索的会议纪要文本
- 客户回填的扫描版申请表要抽取姓名、地址等字段供 CRM 初稿录入
- 无法直接复制文字的复杂版式 PDF,需要导出全文供法务或合规检索
- 现场拍摄的表单照片要在终端快速看一眼识别结果再决定是否落盘归档
适合人员
- 经常处理扫描合同与纸质回执的行政助理,想把图像内容转成可编辑文本再归档
- 维护客户台账的运营,需要把手写或 PDF 表单里的联系信息抽出做二次校对
- 做现场调研的研究员,要把手写田野笔记拍照后合并进项目文档库
- 在 Clawdbot 里编排自动化流程的工程师,要把图文提取步骤接到后续脚本处理链