PaddleOCR Text Recognition

核心用法

PaddleOCR Text Recognition 是一款调用百度飞桨PaddleOCR云端API的文字识别技能，支持从图片、截图、扫描件及PDF中提取文字内容，并返回检测框坐标信息。使用时需通过命令行执行 python scripts/ocr_caller.py，支持 --file-url 或 --file-path 参数指定输入源，输出可选择保存为JSON文件或直接打印到标准输出。

显著优点

• 高精度识别：基于PaddleOCR PP-OCRv5模型，中文识别准确率高
• 坐标定位：返回每行文字的边界框(bbox)位置，便于后续版面分析
• 双语触发：支持中英文关键词路由，如"OCR"、"文字识别"、"截图识字"等
• 灵活输出：支持 pretty 格式化、stdout 直出或文件保存多种模式

潜在局限

• API依赖：必须配置 PADDLEOCR_OCR_API_URL 和 PADDLEOCR_ACCESS_TOKEN，无法离线使用
• 配额限制：存在API调用频率和每日额度限制，超限需等待或升级
• 格式局限：不适用于纯文本文件、代码文件、Markdown文档的直接读取
• 无表格恢复：仅返回行/框级文字，不恢复表格网格结构或阅读顺序

适合人群

• 需要从截图、照片、扫描件中提取文字内容的办公人员
• 开发者集成OCR能力至自动化工作流
• 对中文识别准确率有较高要求的用户

常规风险

• 凭证泄露风险：API Token需妥善保管，避免在聊天中明文传输
• 网络依赖：API调用失败时无降级方案，任务将中断
• 隐私合规：上传敏感文档至第三方云端API需评估数据安全策略
• 成本不可控：高频调用可能产生意外费用，建议监控用量

核心用法

该 Skill 封装了 PaddleOCR 文本识别能力，通过调用官方 API 将图像或 PDF 中的文字提取为结构化文本。使用时需配置 PADDLEOCR_OCR_API_URL、PADDLEOCR_ACCESS_TOKEN 和可选的 PADDLEOCR_OCR_TIMEOUT 环境变量，执行 python scripts/ocr_caller.py 并指定 --file-url 或 --file-path 参数即可发起识别。默认模式下结果以 JSON 格式保存至系统临时目录，可通过 --stdout 直接输出到控制台。返回结果包含完整识别文本（text 字段）、原始 API 响应及检测框坐标信息，支持中文、英文及多语言场景。

显著优点

• 来源权威：依托百度 PaddlePaddle 开源项目，GitHub 20k+ Stars，技术积淀深厚
• 识别精度高：基于 PP-OCRv5 模型，在中文场景下准确率领先业界
• 输出完整：强制返回完整识别文本，避免截断或摘要，满足归档需求
• 轻量依赖：仅需 httpx 单库，无复杂依赖链，部署简单
• 隐私合规：不收集敏感数据，图像数据经 TLS 加密传输至官方服务

潜在缺点与局限性

• 网络依赖：必须联网调用外部 API，离线环境无法使用
• 配置门槛：需用户自行申请 API Token 并配置环境变量，首次使用成本较高
• 功能边界：专注纯文本提取，不支持表格结构恢复、公式识别或阅读顺序还原
• 成本考量：高频调用可能触发配额限制，需关注用量计费
• 无内置重试：网络波动时直接报错，缺乏自动重试机制

适合人群

• 需要将纸质文档、截图、照片批量数字化的个人用户与企业
• 开发者构建文档处理、RPA 自动化、档案管理类应用
• 对中文 OCR 准确率有较高要求，且能接受 SaaS 服务模式的场景
• 已有 PaddleOCR 官方 API 账户或愿意完成简单配置的技术用户

常规风险

• Token 泄露风险：若用户在对话中粘贴 API Token，可能被记录于聊天历史；建议通过宿主应用的标准配置界面设置
• 配置错误风险：错误的 API URL 可能导致请求发送至非预期服务，建议核对官方域名
• 服务可用性：依赖 PaddleOCR 官方服务的稳定性与配额策略，高峰期可能受限
• 数据出境：图像数据上传至 PaddleOCR 服务器，涉及敏感内容的场景需评估合规性