核心用法
vision-ocr 是面向 OpenClaw 生态的智能文档识别技能，采用「OCR + 多模态大模型」双引擎架构。用户通过自然语言指令触发识别，支持本地图片路径或 PDF 文件输入，输出结构化 Markdown 格式。核心调用方式为 vision-ocr.run(context)，需在主会话中执行以确保飞书自动推送功能可用。
显著优点
智能降级机制：v1.0.7 新增的占位符检测算法可自动识别 OCR 失效场景（如 image[[x,y,w,h]]、<!-- Image (...) -->、纯坐标数组等），无缝切换至多模态图片描述模式，无需手动干预。
飞书原生集成：深度绑定飞书机器人上下文，自动获取 chatId/senderId，实现「发送→识别→回传」闭环，支持群聊/私聊/指定对象多场景推送。
手写专项优化：针对手写便条、批注自动启用优先识别策略，降低潦草字迹的识别错误率。
文档结构保留：复杂表格允许混合 HTML 输出，技术文档层级、代码块等 Markdown 语义得以保持。
潜在缺点与局限性
- 环境依赖严格：必须 Node.js 18+ 与 Python 3.8+ 双运行时，PyMuPDF 存在系统级依赖（如 glibc 版本）。
- 飞书强耦合：脱离 OpenClaw 主会话运行时（命令行/子会话），自动推送功能完全失效，需手动处理结果文件。
- 配置门槛：需自行申请 ImageOCR Token 与多模态 API 密钥，无内置免费额度。
- 敏感数据风险：默认开启飞书发送，处理机密文件需显式
--no-send-to-feishu，存在误操作泄露风险。
适合人群
- 飞书深度用户：需快速将截图、扫描件转为可编辑文档的职场人士
- 财务/行政人员：票据、表格批量数字化处理
- 开发者/技术写作者：技术文档、API 截图的结构化归档
- 教育场景：手写笔记、板书拍照整理
常规风险
| 风险类型 | 等级 | 说明 |
|---------|------|------|
| 数据外泄 | 中 | 图片内容经第三方 OCR/多模态 API 处理，敏感文件建议本地部署模型 |
| 会话劫持 | 低 | 依赖 OpenClaw 注入的 `chatId`，子会话隔离机制有效阻断 |
| 配置泄露 | 中 | `config.json` 含 API Token，需排除在版本控制外 |
| 误发消息 | 低 | `--confirm` 参数可二次确认，默认行为较激进 |
---
注：安全认证报告为系统占位生成，未执行实际安全扫描，生产环境建议补充 SAST/依赖漏洞检测。