ocr-image-to-markdown

name	OCR Image to Markdown
description	鉴于本地 OCR 工具的缺失，本技能利用 Agent 的多模态能力来查看图像（PNG, JPG 等）并将内容（文本、表格、逻辑图）转录为格式化的 Markdown。

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

1. 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。

2. 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。

3. 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。

4. 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:

1. list_dir 查看文件: img1.png, img2.png, img3.png。
2. view_file 读取 img1.png。
3. (内部处理): 识别表头 "Q1 Revenue" 和表格行数据。
4. view_file 读取 img2.png 和 img3.png。
5. write_to_file 创建 financial_report.md 并写入汇总的内容。