核心用法
PaddleOCR Text Recognition 是一项专用于图像文字提取的技能，通过调用 PaddleOCR 官方 API 将图片、截图、扫描件或图像型 PDF 转换为机器可读文本。用户通过 --file-url 或 --file-path 参数指定输入源，执行 python scripts/ocr_caller.py 脚本即可完成识别。支持 --stdout 直接输出或默认保存 JSON 结果至系统临时目录，输出包含完整文本、ok 状态标识及可选的边界框坐标信息。
显著优点
1. 多语言精度优势：基于 PaddleOCR 的 PP-OCRv5 模型，对中文、日文、韩文（CJK）及手写体、小字号文字识别效果优异
2. 标准化输出：返回结构化 JSON，包含 text 完整字段与 result 原始响应，便于后续处理
3. 灵活输入支持：同时支持网络 URL 和本地文件路径，兼容多种图像格式
4. 批量处理能力：支持多图像/批量运行场景
5. 明确错误反馈：配置缺失、认证失败、配额超限等场景均有清晰错误码提示
潜在缺点与局限性
- 依赖外部 API：必须配置
PADDLEOCR_OCR_API_URL和PADDLEOCR_ACCESS_TOKEN，无法离线使用 - 功能边界明确：仅提取行/框级文字，不支持表格结构恢复、公式识别、阅读顺序重建
- 无内置回退：技能强制要求仅使用 PaddleOCR API，失败时不得切换至其他 OCR 方案或视觉模型
- 网络与配额风险：受 API 服务商速率限制和每日配额约束
- 长文本显示压力：规范要求必须完整输出识别结果，超长文本可能影响阅读体验
适合人群
- 需要高频从截图、照片、扫描文档中提取文字内容的办公用户
- 处理中文/多语言文档的译者、编辑、档案数字化工作者
- 开发者构建自动化文档处理流程时需集成 OCR 能力的场景
- 不适合：仅需阅读可直接打开的纯文本/代码文件、或需要复杂版式分析（表格、公式）的用户
常规风险
- 凭证泄露风险：API Token 若通过聊天配置可能被记录于对话历史，应优先使用宿主应用的标准配置方式
- 隐私合规风险：敏感文档上传至第三方 OCR 服务需评估数据出境及隐私政策合规性
- 服务可用性风险：API 端点故障、配额耗尽将直接导致功能不可用，且不允许降级处理