OCR 图像识别转 Markdown
本技能允许你“阅读”图片并将内容转换为可编辑的 Markdown 文本。这在提取数据表格、幻灯片内容或文档截图时特别有用，尤其是当无法使用外部 OCR 库时。
使用指南
- 确认目标图片:
- 定位你需要处理的图片文件。 - 如有需要，使用 list_dir 浏览目录。
- 查看图片:
- 使用 view_file 工具来“看”图片内容。系统允许你直接处理图像数据。 - 关键: 你必须对图片路径使用 view_file，这样你的视觉模型才能消化它。
- 转录内容:
- 基于你所看到的，将文本转录为 Markdown。 - 表格: 将视觉看到的表格转换为标准 Markdown 表格 (| 表头 |... |)。 - 标题: 使用 #, ## 等来标记图片中的标题，保持层级结构。 - 文本: 将段落转录为普通文本。 - 数字: 仔细核对所有数字，特别是财务报表中的数据。
- 保存输出:
- 使用 write_to_file 将转录的内容写入 .md 文件（例如 ocr_results.md）。 - 如果处理多张图片，考虑将其追加到同一个文件中，或按逻辑组织。
最佳实践技巧
- 表格: 仔细对齐行和列。标准 Markdown 表格不支持单元格合并（rowspan/colspan）。你需要根据逻辑流将合并的单元格展开，或者留空。
- 复杂布局: 如果图片布局复杂（例如左右分栏），请按照逻辑阅读顺序（从上到下，从左到右）将其序列化。
- 图表/图形: 如果图片包含图表，请描述趋势，或者将可见的数据点提取为列表或表格。
- 无需代码执行: 不要 试图编写或使用 Python 库（如
pytesseract,easyocr,PIL）来进行文本提取。请直接利用你自身的视觉能力。
示例场景
请求: "把这 3 张财务报告的截图转为 markdown。"
执行:
list_dir查看文件:img1.png,img2.png,img3.png。view_file读取img1.png。- (内部处理): 识别表头 "Q1 Revenue" 和表格行数据。
view_file读取img2.png和img3.png。write_to_file创建financial_report.md并写入汇总的内容。