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。