메뉴
使用百度智能云 Unlimited-OCR 进行文档解析 — 一次性长视野文档解析，支持图片、PDF、表格、手写体。 当用户需要从图片或 PDF 中提取文字、解析表格、识别文档内容时使用。 也适用于：发票识别、身份证识别、营业执照识别、试卷分析等场景。
Codex 또는 Claude로 설치 이 Prompt를 복사해 Codex, Claude 또는 다른 어시스턴트에 붙여 넣으면 Skill 페이지를 검토하고 설치를 진행할 수 있습니다.
SOC 직업 분류 기준
| name | baidu-unlimited-ocr |
| description | 使用百度智能云 Unlimited-OCR 进行文档解析 — 一次性长视野文档解析，支持图片、PDF、表格、手写体。 当用户需要从图片或 PDF 中提取文字、解析表格、识别文档内容时使用。 也适用于：发票识别、身份证识别、营业执照识别、试卷分析等场景。 |
| license | MIT |
| metadata | {"version":"1.0","category":"ai-ocr-document","sources":["https://cloud.baidu.com/doc/OCR/s/fmr1p39gb"]} |
百度 OCR 支持两种调用方式，按当前环境自动选择：
适用于支持 MCP SSE 传输的工具。
[[plugins]]
name = "baidu-ocr-document"
type = "http"
url = "https://aip.baidubce.com/mcp/document/sse"
headers = { Authorization = "Bearer ${BAIDU_OCR_API_KEY}" }
适用于不支持 MCP SSE 的工具（AutoClaw、Cursor 等），直接用 REST API + Base64 编码。
环境变量：
BAIDU_OCR_API_KEY=你的API Key
BAIDU_OCR_SECRET_KEY=你的Secret Key
调用流程：
import requests, base64, os
def baidu_ocr(image_path: str) -> dict:
"""百度 OCR 文档解析 — 直接 REST API 调用"""
# 1. 获取 access_token
token_url = "https://aip.baidubce.com/oauth/2.0/token"
resp = requests.post(token_url, data={
"grant_type": "client_credentials",
"client_id": os.environ["BAIDU_OCR_API_KEY"],
"client_secret": os.environ["BAIDU_OCR_SECRET_KEY"]
}).json()
token = resp["access_token"]
# 2. 读取图片并 Base64 编码
with open(image_path, "rb") as f:
img_b64 = base64.b64encode(f.read()).decode()
# 3. 调用文档解析 API
url = f"https://aip.baidubce.com/rest/2.0/ocr/v1/doc_analysis?access_token={token}"
result = requests.post(url, data={
"image": img_b64,
"language_type": "CHN_ENG"
}).json()
return result
Shell 一行式（图片 OCR）：
# 获取 token
TOKEN=$(curl -s "https://aip.baidubce.com/oauth/2.0/token?grant_type=client_credentials&client_id=$BAIDU_OCR_API_KEY&client_secret=$BAIDU_OCR_SECRET_KEY" | python3 -c "import sys,json; print(json.load(sys.stdin)['access_token'])")
# OCR 识别
curl -s "https://aip.baidubce.com/rest/2.0/ocr/v1/doc_analysis?access_token=$TOKEN" --data-urlencode "image=$(base64 -w0 image.png)" --data-urlencode "language_type=CHN_ENG"
浏览器直接 API（手动测试）：
1. https://console.bce.baidu.com/iam/#/iam/apikey/list → 获取 Key+Secret
2. https://aip.baidubce.com/oauth/2.0/token → 换取 access_token
3. https://aip.baidubce.com/rest/2.0/ocr/v1/doc_analysis → 提交图片
检测当前是否有 MCP SSE 能力：
├── 有 → 使用 MCP SSE（方式一）
└── 无 → 使用 REST API（方式二）
基于百度智能云 Unlimited-OCR 模型（基于 DeepSeek-OCR 改进），支持：
| 功能 | 说明 |
|---|---|
| 文档解析 | 一次性长视野解析整页文档，保持版面结构 |
| 表格识别 | 自动识别表格结构，输出 HTML 表格 |
| 手写体识别 | 支持手写与印刷体混排场景 |
| 多页 PDF | 自动将 PDF 转换为图片分批处理 |
| 版面分析 | 识别标题、段落、图表、表格等版面元素 |
"解析这张图片中的文字：C:/document.png"
"提取这个PDF的内容：C:/report.pdf"
"识别这张发票上的信息：C:/invoice.jpg"
百度 OCR 还支持大量结构化识别场景（需使用对应 MCP 工具）：
| 场景 | 工具 | 返回字段 |
|---|---|---|
| 身份证 | ocr_id_card | 姓名、身份证号、地址、有效期等 |
| 营业执照 | ocr_business_license | 公司名、法人、信用代码、经营范围等 |
| 增值税发票 | ocr_vat_invoice | 发票号、金额、税额、购买方等 |
| 银行卡 | ocr_bank_card | 卡号、有效期、发卡行、卡片类型 |
| 车牌 | ocr_license_plate | 车牌号、地域编号 |
在工作流中，百度 Unlimited-OCR 作为多模态 MCP 的一种补充，在以下场景调用：
| 维度 | Baidu Unlimited-OCR (API) | MiMo MCP (本地模型) |
|---|---|---|
| 运行环境 | 无需 GPU，纯 API 调用 | 需 Node.js 运行时 |
| 核心能力 | 文档解析、OCR、结构化识别 | 通用多模态（图片/音频/视频/TTS） |
| 文档识别 | ⭐ 更优（专用 OCR 模型） | 通用能力 |
| 多模态 | 仅文字识别 | 图片/音频/视频/TTS 全支持 |
| 成本 | 按调用量计费 | 按 MiMo API Token 计费 |
工作流执行引擎 Subagent — 独立上下文执行任务1~12
agents-workflow — 自动检测 task 可用性，支持所有平台
agents-workflow 安装器——用户提供仓库地址即可自动完成全部安装配置
架构评审技能——当需要审查系统架构设计、评估技术债务、检查架构腐化风险、或做多视角架构评审时使用。结合专家模拟和规则检测，输出可量化的架构健康报告。
领域建模技能——当需要从需求中提取领域模型、定义实体和边界、建立通用语言时使用。在架构设计之前执行领域建模。
会话交接技能——当需要把当前对话的上下文（进度、发现、决策）打包交接给另一个 AI 会话或另一个开发者时使用。