ocr

OCR 技能提供了一个强大的接口，用于对各种图像格式（包括 PNG、JPG、JPEG、GIF、BMP、TIFF 和 WEBP）执行光学字符识别 (OCR)。该技能基于强大的 Tesseract OCR 引擎，专为需要将扫描文档、截图或图像中的文字转换为机器可读格式的开发人员和自主代理而设计。它是数据提取工作流、文档数字化以及从视觉来源自动检索信息的重要工具。

• 全面支持超过 100 种语言，包括英语、简体中文、繁体中文、日语、韩语、法语、德语、西班牙语、俄语和阿拉伯语。

• 集成了图像预处理功能（如灰阶转换和二值化），这显著提高了在复杂视觉条件下的文字识别准确度。

• 灵活的输出选项，允许将数据以纯文本或结构化 JSON 对象的形式检索，同时提供识别内容与置信度得分。

• 支持处理本地文件路径和远程图片网址，使其非常适合网页爬取或代理研究任务。

• 为 trpc-agent-go 做好集成准备，使代理能够将视觉数据处理作为其决策或数据分析流水线的一部分。

• 需要在主机系统上安装 Tesseract OCR，并具备 Python 3.8+、pytesseract 和 Pillow 环境。

• 若图像对比度低或背景噪声较多，建议启用 --preprocess 标志以获得最佳准确度。

• 支持合并语言代码（例如 eng+chi_sim）以在单次执行中进行多语言 OCR，这对包含混合字符的文档非常有效。

• 在构建需要程序化置信度验证或分段式数据分析的下游应用程序时，建议使用 JSON 输出格式。

• 本工具专为代理执行阶段设计，可轻松纳入更大型的编排工作流，实现视觉输入的解释与自动化动作。