OCR 文字识别

把文件发给 Agent，再说清楚需要哪些文字即可。Ankole 已在 Agent Computer Worker 中内置 OCR，无需配置模型提供商、API Key 或独立 OCR 服务。

例如，你可以直接说：

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 使用当前 SOTA 级、支持 CPU 的 PaddleOCR PP-OCRv6 medium 检测与识别模型。Medium 是 PP-OCRv6 模型族中更注重精度的一档。根据 PaddleOCR 的评测，它相较 PP-OCRv5_server 将文字检测精度提高 4.6%，将文字识别精度提高 5.1%。

一个模型即可覆盖 50 种语言，包括简体中文、繁体中文、英文、日文和 46 种拉丁语系语言。它不只适合文档扫描件，也能处理截图、招牌、商品标签和数码显示屏等真实场景中的文字。

Ankole 通过 OpenVINO 优化 CPU 推理路径，让普通 Worker 不依赖 GPU 也能快速完成本地识别。模型已经随 Worker 镜像提供，文档不会为了 OCR 被发送给外部识别服务，也没有按页调用费用。

Ankole 会选择更准确的读取方式

OCR 是从像素中估算文字，普通提取则直接读取原始字符。只要文件中存在可读取的原文，Ankole 会优先选择更准确的方式：

PDF 有文字层时，Agent 直接提取原文。
PDF 全部是扫描页时，Agent 识别每一页。
PDF 同时包含文字页和扫描页时，只对需要的页面使用 OCR，其余页面直接提取。
DOCX、PPTX 和 XLSX 文件会按文档结构读取，而不是把每一页当成图片。

你不需要自己判断该走哪条路径。尽量发送原始文件，并说明希望得到的结果即可。

Agent 可以返回什么

Agent 可以返回原始文字、整理后的转写、摘要，或从识别结果中提取的结构化信息。OCR 还会提供每行文字的位置和置信度，Agent 因此可以保持阅读顺序，并在扫描质量不足时提醒你结果不够可靠。

为了获得更好的结果，请尽量使用清晰、摆正且分辨率足够的图片。文字很小时，发送原始文件，不要只发压缩后的截图。你也可以要求 Agent 明确标出不确定的行，避免它默默猜测。

能力边界

当前 50 种语言模型不覆盖韩文、阿拉伯文、西里尔字母、泰文等其他文字系统。
手写文字、公式、复杂表格、弯曲文字，以及模糊或明显倾斜的照片可能降低准确率。表格会返回带位置的文字行，但不保证还原为表格结构。
OCR 可以读取内容，但不会给原 PDF 写入可搜索的文字层。

ocr Skill 默认启用。如果 Agent 提示 OCR 不可用，请确认它使用的是当前 Worker 镜像，并在 Agent 能力库中检查该 Skill 是否已启用。