核心功能与用法
DeepSeek OCR 是一款基于 DeepSeek 多模态大模型的图像文字识别技能，通过调用云端 API 实现高精度文本提取。核心用法极为简洁：通过 ocr.sh 脚本传入本地图片路径即可获取识别结果，支持 markdown（默认）、text、json 等多种输出格式，甚至可通过自然语言指令实现表格结构化提取（如 "extract table as json"）。
技术实现上，该技能将图片转为 base64 编码后发送至 DeepSeek API，利用大模型的视觉理解能力完成 OCR，而非传统 CV 算法。这意味着它对复杂排版、手写体、多语言混合场景具有更强的泛化能力。
显著优点
1. 大模型驱动精度高：依托 DeepSeek 多模态模型，在复杂版式、低质量图像、代码截图等场景下识别准确率显著优于传统 OCR
2. 输出格式灵活：原生支持 Markdown 渲染，可直接用于文档生成；JSON 模式便于程序化解析
3. 轻量无依赖：仅需 curl、jq、base64 系统工具，无需本地部署重型模型
4. 自然语言指令：支持通过描述性指令控制输出结构（如表格提取），降低使用门槛
潜在局限与风险
1. 网络依赖与延迟：所有识别请求需发送至云端 API，离线环境无法使用，大模型推理带来数百毫秒至数秒级延迟
2. 隐私敏感：图片数据需上传至第三方服务器（modelverse.cn），不适合含机密信息的文档处理
3. 成本累积：基于 Token 计费模式，高频批量使用可能产生显著 API 费用
4. 无本地备选：未集成传统 OCR 引擎（如 Tesseract）作为降级方案
适合人群
- 开发者需快速提取代码截图、技术文档内容
- 内容创作者希望将图片资料转为可编辑 Markdown
- 数据分析师需要从扫描表格中抽取结构化数据
- 轻量用户不想配置复杂本地 OCR 环境
常规风险提示
- API 密钥安全：
DEEPSEEK_OCR_API_KEY需妥善保管，避免硬编码至版本控制 - 服务可用性：依赖 modelverse.cn 服务稳定性，建议实现重试机制
- 数据合规性：上传含个人信息或商业敏感内容的图片前，需评估合规风险
- 输出校验：大模型 OCR 可能产生"幻觉"式错误，关键场景需人工复核