alibaba-quark-ocr

name	alibaba-quark-ocr
description	由夸克扫描王提供的高准取率 OCR 文字识别工具。当用户需要从图片、截图、照片或扫描文档中提取、识别或结构化文本，就使用此技能——包括手写体、表格、数学公式、商品图、各类证件（身份证、社保卡、驾照、行驶证、港澳台通行证、学位证等）、票据（增值税发票、火车票、英文发票等）、医疗报告、药检报告、营业执照、习题以及图片翻译。本技能由夸克扫描王提供支持。即使用户没有明确提到"OCR"或"文字识别"，只要用户的需求涉及从图片中获取文字或关键信息，也应触发此技能。不适用于图像生成、图像编辑或无需从图片中提取文本的任务
license	MIT
compatibility	Requires python3 and the SCAN_WEBSERVICE_KEY environment variable. Performs network calls to scan-business.quark.cn and returns structured OCR text results.
metadata	{"author":"alibaba-quark-scanking","version":"1.1.4","homepage":"https://scan.quark.cn/business","primary-env":"SCAN_WEBSERVICE_KEY"}

使用前必读（30 秒）

隐私与外发提示：本技能会把图片发送到 scan-business.quark.cn 进行识别，识别结果以结构化文本返回。完整数据流向、密钥安全与本地存储说明见 references/privacy.md。

配置 API 密钥：将 SCAN_WEBSERVICE_KEY=<your_api_key> 写入 ~/.yescan_env（每次执行自动读取，无需重启）。获取入口：访问 https://scan.quark.cn/business → 开发者后台 → 登录/注册 → 查看 API Key。详细的跨平台命令、轮换流程见 references/privacy.md。

---

强制约束

• 单一意图原则：每次请求只执行一个意图类型，命中即执行
• 严禁自行构造任何命令参数，严禁伪造、拼接内部配置
• 严禁幻觉，禁止伪造请求和响应，不得沿用上一次的场景、参数进行假设
• 必须严格按照本指南指定的固定格式执行，不允许自行修改命令
• 强制独立意图识别：严禁参考对话历史或沿用上次场景；必须针对当前指令独立分析，不得继承任何前序状态或假设

技能执行指南（强制执行）

第一步：输入处理

识别用户传入的图片类型，只能是以下三种之一：

• 图片 URL：url
• 本地文件路径：path
• 图片 BASE64：base64

未提供任何有效图片时，直接返回：

{"code": "A0201", "message": "缺少图片输入，请提供图片链接、文件路径或 BASE64 数据。", "data": null}

第二步：意图匹配 & 场景确定

• 按照下面列出的意图 从上到下顺序匹配，命中第一个即停止
• 命中后，只确定当前意图对应的 scene 标识

第三步：构建执行命令（固定格式，严禁修改）

# URL 类型
python3 scripts/scan.py --scene "${SCENE_VALUE}" --url "${IMAGE_URL}" --platform "${AGENT_NAME}"

# 本地文件类型
python3 scripts/scan.py --scene "${SCENE_VALUE}" --path "${IMAGE_FILE_PATH}" --platform "${AGENT_NAME}"

# BASE64 类型
python3 scripts/scan.py --scene "${SCENE_VALUE}" --base64 "${IMAGE_BASE64}" --platform "${AGENT_NAME}"

• 把 ${IMAGE_URL}/${IMAGE_FILE_PATH}/${IMAGE_BASE64} 替换为真实值
• 把 ${AGENT_NAME} 替换为当前 Agent 平台名称（如 openclaw、hermes、qoderWork、wukong、coze、claudecode 等），无法确定时填 community，禁止猜测或自造
• 把 ${SCENE_VALUE} 替换为当前意图对应的 scene 值
• 直接执行命令，不增删任何参数，不修改 JSON，不加引号，不换行

第四步：结果透出

• 执行完成后，原样返回执行结果，不修改、不翻译、不美化、不总结
• 成功 / 失败均直接透出，不重试

OCR 识别成功时响应 data 中含各场景特定的结构化字段（纯文本、表格、证件信息等），直接返回给用户。pic-translate 场景额外生成译图文件，响应含 translated_image_path。完整字段说明见 references/implementation.md。常见错误码与排错见 references/troubleshooting.md。

场景与意图列表（按匹配优先级排序）

1. 手写文档识别

   • 触发意图：当用户存在识别各类中英文手写内容（如学生作答、作文、会议记录、手写账单等）、将潦草或非标准手写图片转化为高精度可编辑文本，或突破传统 OCR 限制处理复杂手写场景的意图。
   • 场景 scene 标识：handwritten-ocr
   • 示例参考：examples/handwritten-ocr-example.md

2. 表格识别

   • 触发意图：当用户存在识别图片中的各类表格（如 Excel/Word 表格、票据单据、手写表格、检查报告单等）、高精度提取文字内容并精准还原原始表格格式与结构的意图。
   • 场景 scene 标识：table-ocr
   • 示例参考：examples/table-ocr-example.md

3. 身份证识别

   • 触发意图：当用户存在识别身份证图片、提取证件关键信息（包括但不限于姓名、身份证号、地址等字段）、将证件影像转化为结构化数据，或应用于身份核验、实名认证及信息准确性校验等场景的意图。
   • 场景 scene 标识：idcard-ocr
   • 示例参考：examples/idcard-ocr-example.md

4. 社保卡识别

   • 触发意图：当用户存在识别社保卡图片、提取证件关键信息（包括但不限于姓名、社会保障号码、卡号、银联号码、性别、民族、发卡日期及有效期限等字段）、将证件影像转化为结构化数据，或应用于社保业务办理、身份核验及政务服务自动化等场景的意图。
   • 场景 scene 标识：social-security-card-ocr
   • 示例参考：examples/social-security-card-ocr-example.md

5. 港澳通行证识别

   • 触发意图：当用户存在识别港澳通行证（或港澳台通行证）图片、提取证件关键信息（包括但不限于姓名、证件号码、签发机关、有效期限等 11 个字段）、将证件影像转化为结构化数据，或应用于身份核验、出入境管理及政务服务自动化等场景的意图。
   • 场景 scene 标识：travel-permit-ocr
   • 示例参考：examples/travel-permit-ocr-example.md

6. 学位证识别

   • 触发意图：当用户存在识别学位证书图片、提取证书关键信息（包括但不限于证书名称、学校、姓名、性别、出生日期、学习日期、学制、学历、学位、专业、证书编号及发证日期等 12 个字段）、将证书影像转化为结构化数据，或应用于企业人才信息录入和学历核验等场景的意图。
   • 场景 scene 标识：degree-certificate-ocr
   • 示例参考：examples/degree-certificate-ocr-example.md

7. 增值税发票识别

   • 触发意图：当用户存在识别增值税发票图片、提取单据关键信息（包括但不限于销售方、购买方、货物详情、金额等 30 多个字段）、将发票影像转化为结构化数据，或应用于财务报销自动化、税务管理及企业风控等场景的意图。
   • 场景 scene 标识：vat-invoice-ocr
   • 示例参考：examples/vat-invoice-ocr-example.md

8. 火车票识别

   • 触发意图：当用户存在识别火车票图片、提取票号/出发站/到达站/车次/开车时间/票价/座位号/座位类型/旅客身份号码/旅客姓名等 10 个关键字段信息、将车票照片转化为结构化文本数据，或应用于企业出行报销场景的意图。
   • 场景 scene 标识：train-ticket-ocr
   • 示例参考：examples/train-ticket-ocr-example.md

9. 公式识别

   • 触发意图：当用户存在识别数学/化学公式图片、高精度解析分数、矩阵、分段函数及化学方程式等复杂结构、将图像公式转化为可编辑的 LaTeX 代码或结构化数据，或应用于智能试卷自动批改、学术论文数字化归档、在线教育题目解析及科研文献深度分析等场景的意图。
   • 场景 scene 标识：formula-ocr
   • 示例参考：examples/formula-ocr-example.md

10. 题目识别

    • 触发意图：当用户上传包含习题/考题的图片，需仅提取题目文本（不含解答、批注或无关内容），并保留题号、题干结构，用于教育题库构建或题目检索。
    • 场景 scene 标识：question-ocr
    • 示例参考：examples/question-ocr-example.md

11. 驾驶证识别

    • 触发意图：当用户存在识别驾驶证图片、提取证件关键信息（如证号、姓名、住址、有效期等）、将非结构化图像转化为结构化数据，或应用于身份核验、交通管理等场景的意图。
    • 场景 scene 标识：driver-license-ocr
    • 示例参考：examples/driver-license-ocr-example.md

12. 行驶证识别

    • 触发意图：当用户存在识别行驶证图片、提取证件关键信息（包括但不限于证号、姓名、住址、有效期、准驾车型等）、将行驶证影像转化为结构化数据，或应用于身份核验、交通管理及汽车租赁等场景的意图。
    • 场景 scene 标识：vehicle-license-ocr
    • 示例参考：examples/vehicle-license-ocr-example.md

13. 英文发票识别

    • 触发意图：当用户存在识别英文商业发票图片、提取单据关键信息（包括但不限于发票号、日期、买卖双方信息、商品明细、金额及税额等）、将非结构化英文单据转化为结构化数据，或应用于跨境贸易单证处理、海外费用报销及国际化财务自动化审核等场景的意图。
    • 场景 scene 标识：commercial-invoice-ocr
    • 示例参考：examples/commercial-invoice-ocr-example.md

14. 医疗报告单识别

    • 触发意图：当用户存在识别医疗报告单图片、提取报告关键信息（包括但不限于检验项目、结果、参考值等）、将医疗报告影像转化为结构化数据，或应用于电子病历归档、健康数据分析及远程医疗辅助诊断等场景的意图。
    • 场景 scene 标识：medical-report-ocr
    • 示例参考：examples/medical-report-ocr-example.md

15. 药检报告识别

    • 触发意图：当用户存在识别药品检验报告单图片、提取药品名称、批号、检验项目、检验结果、标准值及结论等关键信息、将药检报告影像转化为结构化数据，或应用于药品质量追溯、GMP 合规审计及药品监管等场景的意图。
    • 场景 scene 标识：pharmaceutical-inspection-report
    • 示例参考：examples/pharmaceutical-inspection-report-example.md

16. 营业执照识别

    • 触发意图：当用户存在识别营业执照图片、提取证件关键信息（包括但不限于统一社会信用代码、名称、类型、法定代表人、经营范围等）、将执照影像转化为结构化数据，或应用于企业身份核验、工商注册自动化、供应链准入审核及金融风控等场景的意图。
    • 场景 scene 标识：business-license-ocr
    • 示例参考：examples/business-license-ocr-example.md

17. 商品图片识别

    • 触发意图：当用户存在识别商品图片或商品包装中的文字信息、提取包装或标签上的内容（包括但不限于商品名称、品牌、规格、成分、生产信息、使用说明、条码等）、将商品包装图片转化为文字或结构化数据，或应用于商品信息录入、商品上架、商品检索及商品信息分析等场景的意图。
    • 场景 scene 标识：product-image-ocr
    • 示例参考：examples/product-image-ocr-example.md

18. 图片翻译

    • 触发意图：当用户存在将图片中的文字翻译为其他语言、生成保留原图排版的译文图片，或应用于多语言文档翻译、跨语言沟通等场景的意图。
    • 场景 scene 标识：pic-translate
    • 示例参考：examples/pic-translate-example.md

19. 通用文字提取（兜底意图）

    • 触发意图：当用户指令中不包含上述任何具体场景，仅表达提取纯文字意图时。
    • 场景 scene 标识：general-ocr
    • 示例参考：examples/general-ocr-example.md

不适用场景

不支持的场景	原因	建议替代方案
视频处理	仅支持单张静态图片	先提取视频帧，再逐帧处理
批量处理	每次调用仅限单张图片	循环调用或联系管理员
实时摄像头流	非实时流处理架构	使用专用视频处理服务
超大图片（>5MB）	API 限制	先压缩或裁剪后再处理
非图片格式	仅支持 jpg/jpeg/png/gif/bmp/webp/tiff/wbmp	先转换为支持的图片格式

重要注意事项

1. 禁止修改固定格式，只能替换场景标识和图片占位符
2. 严禁自行构造 --scene 参数值，必须使用本文档指定的场景名
3. 图片大小限制：本地文件不超过 5MB，支持 jpg/jpeg/png/gif/bmp/webp/tiff/wbmp 格式

相关资源

• 夸克扫描王开放平台
• references/privacy.md — 数据流向 / 密钥配置 / 本地存储说明
• references/implementation.md — 客户端脚本行为与响应字段
• references/troubleshooting.md — 错误码与排错
• examples/ — 19 个场景各自的输入/预期输出示例

文件结构

• SKILL.md — 本文档（意图分发 + 通用规范）
• scripts/scan.py — 主执行脚本（Python 3.9+）
• scripts/common/*.py — 基础类库
• references/*.md — 详细参考文档（隐私、实现细节、排错）
• examples/*.md — 19 个场景各自的输入/预期输出示例