核心用法
vision-ocr 是一款专为 OpenClaw 设计的文档智能识别技能，支持图片与 PDF 双模输入，输出结构化 Markdown 格式。用户可通过自然语言指令触发识别，如「识别图片 /path/to/image.jpg」或「OCR 这个截图」。技能深度整合多模态大模型能力，在 OCR 结果有效时结合原图生成最终 Markdown，确保内容还原度；OCR 失效时自动切换至图片描述模式兜底。
技能特别针对飞书生态优化：在主会话中直接调用 visionOcr.run(context) 并显式开启发送开关，即可将识别结果自动推送至当前群聊或私聊会话。对于多页 PDF，支持逐页 OCR 与基础信息提取；手写内容（便条、批注）自动启用手写优先识别策略，提升识别准确率。
显著优点
1. 多场景适配：覆盖文档截图、扫描件、表格票据、技术文档、手写便条等六大高频场景，满足办公全链路需求。
2. 飞书原生集成：识别结果可直接发送至当前飞书会话，无需手动复制粘贴，实现「发送-识别-归档」一站式闭环，显著提升团队协作效率。
3. 安全设计完善：敏感功能（飞书发送、远程文件下载、CLI 会话恢复）均默认关闭，需用户显式授权；1.1.2 版本新增 SSRF 过滤（禁止 localhost/私有网段）、下载大小限制（50MB）及超时控制（15 秒），从源头降低安全风险。
4. 输出格式友好：优先保留原始文档结构，复杂表格允许混合 HTML 表格输出，兼顾 Markdown 可读性与排版准确性。
5. 依赖精简可控：无第三方 npm 依赖，仅依赖 Python PyMuPDF 处理 PDF，降低供应链攻击面。
潜在缺点与局限性
1. 飞书发送受限：必须在主会话中直接调用且显式开启发送开关，子会话或 CLI 模式无法自动发送，对技术小白不够友好。
2. 外部服务依赖：核心功能依赖用户自行配置的 ImageOCR 与多模态 API，服务稳定性与识别质量受第三方服务商制约。
3. 手写识别边界：虽对手写内容有优化策略，但极端潦草字迹、艺术字体或低分辨率手写图片仍可能出现识别偏差。
4. 复杂表格还原：Markdown 表格语法有限，极复杂表格可能以 HTML 混合输出，在部分纯 Markdown 渲染环境显示效果受限。
适合的目标群体
- 飞书深度用户：已在飞书生态中开展协作的办公团队，需将纸质/图片文档快速转为可编辑文本。
- 行政与财务人员：频繁处理发票、合同扫描件、报销票据等结构化文档的职能岗位。
- 技术文档维护者：需要将技术手册、API 文档截图转为 Markdown 归档的开发者或产品经理。
- 教育与研究场景：学生、教师、研究人员用于整理手写笔记、扫描版论文、教材图片等。
使用风险
1. 数据外泄风险：识别过程中图片与文本会发送至用户配置的第三方 OCR/多模态服务，敏感文档建议添加 --no-send-to-feishu 参数并自行部署私有化服务。
2. 子进程执行风险：PDF 处理通过 execFileSync 调用 Python 脚本，虽采用参数数组而非字符串拼接降低注入风险，但仍建议对输入路径严格校验文件扩展名。
3. 远程下载风险：远程附件下载功能需显式开启，虽已有 SSRF 防护，但生产环境建议仅在可信网络内启用。
4. 服务可用性风险：外部 API 调用失败时技能可能降级至图片描述模式，关键业务场景建议配置多服务商容灾策略。