核心用法
GLM-OCR 是智谱 AI 推出的专业 OCR 文档解析技能，通过调用官方 API 实现高精度的图文识别。用户可通过 CLI 工具传入本地文件路径（--file）或远程 URL（--file-url），支持 PNG、JPG、PDF 等多种格式。输出结果为结构化 JSON，核心字段 text 提供 Markdown 格式的提取内容，便于直接渲染或后续处理。建议搭配 --output 参数保存结果，并使用 --pretty 优化可读性。
配置环节需先获取智谱开放平台 API Key，通过 config_setup.py 完成环境变量注入（ZHIPU_API_KEY），可选配置超时参数 GLM_OCR_TIMEOUT。
显著优点
1. 多场景覆盖：同时支持印刷体、手写体、表格、数学公式等复杂版式，表格自动转为 Markdown，公式输出 LaTeX，大幅降低后处理成本。
2. 双源输入：本地文件与远程 URL 均可直接处理，适应多种工作流。
3. 结构化输出：JSON 响应包含布局细节（layout_details）与原始 API 回包，便于调试和二次开发。
4. 官方背书：源自智谱 AI 官方仓库（zai-org/GLM-OCR），持续维护更新。
潜在局限
- 网络依赖：必须在线调用智谱 API，离线环境无法使用。
- 配额限制：受限于智谱账号的 API 调用额度，高频或大批量处理可能触发限流（HTTP 429）。
- 封闭生态：强制使用官方指定端点，不支持自定义 OCR 模型或私有化部署。
- 错误阻断：技能设计遵循"失败即停止"原则，API 异常时不会降级到本地识别，需人工介入排查。
适合人群
- 需要快速提取扫描件、截图、PDF 中文字内容的办公人员
- 处理含表格、公式的学术文献或技术文档的研究者
- 构建文档自动化流程的开发者（需配合智谱 API 集成）
常规风险
- 密钥泄露：
ZHIPU_API_KEY存储于本地环境变量，若共享环境或日志未脱敏，存在泄露风险。 - 敏感内容上传：识别含隐私信息的文件时，数据将传输至智谱云端，需确认合规性。
- 识别误差：复杂背景、低分辨率、极端形变图像可能出现漏字或版式错乱，关键业务建议人工复核。
整体而言，GLM-OCR 是面向中文场景、版式还原能力突出的云端 OCR 方案，适合对准确性要求高、可接受 SaaS 调用模式的用户。