核心用法
GLM-OCR 是一款调用智谱 AI 官方 GLM-OCR API 的文本提取技能，专为图像及 PDF 文档的 OCR 场景设计。用户通过 Python CLI 脚本发起请求，支持本地文件路径（--file）或远程 URL（--file-url）两种输入方式，输出为标准 Markdown 格式的结构化文本，并可选择保存为 JSON 文件以便后续处理。
显著优点
1. 多模态识别能力：不仅支持常规印刷体，还对表格（自动转为 Markdown 表格）、数学公式（LaTeX 格式）及手写体具备专门优化，满足学术、财务、教育等多场景需求。
2. 布局保持：返回结果包含 layout_details，可还原原始文档的段落、表格、标题层级等排版信息，优于传统纯文本 OCR。
3. 官方 API 封装：由智谱官方提供并维护，接口稳定，无需自建模型或处理复杂的图像预处理。
4. 安全约束明确：通过强制规则（MANDATORY RESTRICTIONS）禁止本地解析或降级方案，确保输出来源单一可控，降低因多路径处理导致的结果不一致风险。
潜在缺点与局限性
- 强依赖外部服务：必须配置有效的
ZHIPU_API_KEY，且受智谱平台配额、速率限制（429）及可用性制约；离线环境无法使用。 - 成本因素：作为云端 API，高频或大文件处理可能产生费用，需用户自行管理额度。
- 输出格式固定：仅以 Markdown/LaTeX 为主，若需 Word、Excel 等原生格式需二次转换。
- 无自定义端点：CLI 强制使用固定官方 endpoint，无法指向私有部署或代理地址。
适合人群
- 需要将扫描件、截图、PDF 快速转为可编辑文本的办公人员
- 科研/教育用户：提取论文中的公式、表格
- 开发者：集成到自动化文档处理流水线（通过
--outputJSON 接口） - 手写笔记数字化需求者
常规风险
- API 密钥泄露：
ZHIPU_API_KEY为敏感凭据，需在安全环境变量中配置，避免硬编码或日志泄露。 - 数据隐私：文档内容上传至智谱云端处理，涉及敏感或机密文件时需评估合规性。
- 服务中断：网络波动或官方服务故障时，CLI 会返回错误并强制停止，无本地降级能力，需用户自行处理异常。
- 速率限制：高并发场景下可能触发 429 限流，建议实现客户端退避重试机制。