ocr

OCR 技能提供了一個強大的介面，用於對各種圖像格式（包括 PNG、JPG、JPEG、GIF、BMP、TIFF 和 WEBP）執行光學字元辨識 (OCR)。該技能基於強大的 Tesseract OCR 引擎，專為需要將掃描文件、截圖或圖像中的文字轉換為機器可讀格式的開發人員和自主代理而設計。它是資料提取工作流、文件數位化以及從視覺來源自動檢索資訊的重要工具。

• 全面支援超過 100 種語言，包括英語、繁體中文、簡體中文、日語、韓語、法語、德語、西班牙語、俄語和阿拉伯語。

• 整合了影像預處理功能（如灰階轉換和二值化），這顯著提高了在複雜視覺條件下的文字辨識準確度。

• 靈活的輸出選項，允許將資料以純文字或結構化 JSON 物件的形式檢索，同時提供識別內容與信心分數。

• 支援處理本地檔案路徑和遠端圖片網址，使其非常適合網頁爬取或代理研究任務。

• 為 trpc-agent-go 做好整合準備，使代理能夠將視覺資料處理作為其決策或資料分析管線的一部分。

• 需要在主機系統上安裝 Tesseract OCR，並具備 Python 3.8+、pytesseract 和 Pillow 環境。

• 若影像對比度低或背景雜訊較多，建議啟用 --preprocess 旗標以獲得最佳準確度。

• 支援合併語言代碼（例如 eng+chi_sim）以在單次執行中進行多語言 OCR，這對於包含混合字元的文檔非常有效。

• 在建構需要程式化信心驗證或區塊式資料分析的下游應用程式時，建議使用 JSON 輸出格式。

• 本工具專為代理執行階段設計，可輕鬆納入更大型的編排工作流，實現視覺輸入的解釋與自動化動作。