核心用法
PaddleOCR 文字识别技能用于从图像、照片、扫描件或截图中提取机器可读的文字内容。用户只需提供图片 URL 或本地文件路径，通过 ocr_caller.py 脚本调用即可获取识别结果。支持 PDF 和多种图片格式（PNG、JPG、BMP、TIFF、WebP 等），默认返回行级文本，可选包含检测框坐标。
显著优点
- 多语言优势：基于 PP-OCRv5 模型，对 CJK（中日韩）字符识别精度高，同时支持手写体识别
- 开箱即用：提供命令行工具，支持
--pretty格式化输出和--stdout直接打印，集成友好 - 灵活配置：支持自定义 API 端点和超时设置，可对接官方云服务或私有化部署
- 完整输出：保留原始 JSON 数据便于调试，同时提供纯净的
text字段供下游处理
潜在局限
- 布局理解有限：无法恢复表格结构、公式排版或复杂阅读顺序，纯文本提取场景为主
- 依赖外部 API：需配置
PADDLEOCR_OCR_API_URL和PADDLEOCR_ACCESS_TOKEN，首次使用需申请凭证 - 大文档耗时：50页以上 PDF 可能需要数分钟处理，需合理设置超时预期
- 环境依赖：需要 Python 环境和特定依赖包安装
适合人群
- 需要从截图、扫描件快速提取文字内容的办公用户
- 处理包含中文/日文/韩文文档的开发者或研究人员
- 构建文档数字化工作流的自动化场景
常规风险
- 凭证安全：Access Token 需妥善保管，避免在对话历史中明文暴露
- 隐私合规：上传敏感文档至第三方 API 需评估数据出境和隐私政策
- 配额限制：API 存在调用频率限制，超额需等待或升级服务