跳到正文
Ankole

OCR 文字识别

面向 AI Agent:本页的 Markdown 版本位于 https://ankole.agentbull.com/zh-Hans-CN/docs/ocr/index.md,全站文档索引位于 https://ankole.agentbull.com/zh-Hans-CN/llms.txt。

只需将文件发给 Agent 并说明想提取哪些内容,即可完成文字识别。Ankole 已在 Agent Computer Worker 中内置本地 OCR 引擎,无需额外配置模型提供商、API Key 或第三方 OCR 服务。

例如,你可以直接发送以下指令:

读取这张截图中的全部文字,保持原来的阅读顺序。

提取这份扫描 PDF 的第 2 到第 5 页,无法确定的文字请明确标出。

读取这张收据,列出商家、日期、商品、税费和总金额。

普通 CPU 也能运行的先进识别能力

Ankole 内置了支持 CPU 推理的 PaddleOCR PP-OCRv6 medium 检测与识别模型。在 PP-OCRv6 模型系列中,Medium 档位专注于更高识别精度;根据 PaddleOCR 内部多场景基准评测,相比 PP-OCRv5_server,其文字检测 Hmean 提升 4.6 个百分点,文字识别准确率提升 5.1 个百分点。

单个模型即可覆盖 50 种语言,包括简体中文、繁体中文、英文、日文以及 46 种拉丁语系语言;不仅适用于常规文档扫描件,也能准确识别屏幕截图、街头招牌、商品标签和数码显示屏等真实场景中的文字。

Ankole 借助 OpenVINO 对 CPU 推理路径做了深度加速,使普通 Worker 节点无需挂载 GPU 也能在本地快速完成识别。所有模型均随 Worker 镜像直接分发,文档无需外发至第三方识别服务,也不会产生按页计费的调用成本。

Ankole 会选择更准确的读取方式

OCR 本质上是从图像像素中还原文字,而文本提取则是直接读取文件中的原始字符。只要文件内包含可直接读取的文本层,Ankole 就会优先采用更精确的提取方式:

  • 带文字层的 PDF:直接提取内嵌原文;
  • 纯扫描版 PDF:逐页执行 OCR 识别;
  • 图文混排的混合 PDF:仅对扫描页运行 OCR,其余含文字层的页面直接提取原文;
  • DOCX、PPTX 与 XLSX 文档:直接按原生文档结构解析内容,而非将页面渲染成图片再识别。

使用时无需手动指定读取方式,直接上传原始文件并说明所需结果即可。

Agent 可以返回什么

根据你的指令,Agent 可以返回原始识别文本、整理排版后的文稿、内容摘要,或是按字段提取的结构化数据。由于底层 OCR 引擎会一并输出每行文字的坐标位置与置信度,Agent 既能据此还原原有的阅读顺序,也能在扫描件模糊不清时主动提示哪些内容不够可靠。

若想获得最佳识别效果,请尽量上传清晰、摆正且分辨率充足的图片;遇到字号较小的材料时,请直接发送原文件,避免发送经过二次压缩的截图。此外,你还可以明确要求 Agent 标出存疑字句,防止其自行猜测补全。

通过 AIGateway 使用 OCR 模型

ocr Skill 还会告诉 Agent 如何调用 AIGateway 的 OCR API。管理员在 Console → 默认模型档案 里给 OCR 模型 槽位绑定模型之后,Agent 可以把扫描版 PDF 或图片交给这个模型,逐页拿回 Markdown。这类模型能读哪些文字和版式取决于模型本身,费用由它的 Provider 按页收取。没有绑定 OCR 模型时,这个 API 会把单张图片交给支持图片输入的语言模型。

每份文档是在本地识别、交给 OCR API,还是由 Agent 用自己的识图能力直接读,由 Agent 自行判断;你也可以直接告诉它用哪一种。

能力边界

  • 内置的本地模型覆盖 50 个语种,不包含韩文、阿拉伯文、西里尔字母、泰文等其他文字系统;OCR API 背后的 OCR 模型可以覆盖这些文字。
  • 遇到手写体、数学公式、复杂表格、弯曲排版,或模糊、明显倾斜的照片时,识别准确率可能下降;处理表格时会返回带位置坐标的文字行,但不保证完整还原表格行列结构。
  • OCR 仅负责读取并返回文字内容,不会向原 PDF 文件回写可搜索的隐藏文字层。

ocr Skill 默认处于启用状态。如果 Agent 提示 OCR 不可用,请确认当前使用的是最新版 Worker 镜像,并在 Agent 能力库 中检查该 Skill 是否已开启。