核心用法
local-image-ocr-aipc 是一款专为Windows环境设计的本地化OCR文字识别技能，通过部署GLM-OCR多模态模型与llama.cpp推理引擎，实现完全离线的图像文字提取。用户可通过自然语言指令触发识别流程，支持发票、收据、合同、名片、身份证、截图等各类文档的数字化转换。
执行流程
首次使用需完成三步初始化：
1. 环境预检 — 自动检测Python、llama.cpp二进制文件及模型文件状态
2. 组件部署 — 按需下载约50-100MB的llama-server Vulkan预编译版本，及约1.5GB的GLM-OCR模型权重（含950MB主模型与484MB视觉投影层）
3. 推理执行 — 启动本地HTTP服务，通过HTTP API完成图像编码与文字解码
后续调用启用Fast Path机制：从缓存配置直接加载已部署环境，跳过重复初始化。
显著优点
| 维度 | 优势 |
|------|------|
| **隐私安全** | 100%本地推理，图像数据不上传云端，满足企业敏感文档处理合规要求 |
| **成本可控** | 零API调用费用，模型文件一次性下载永久使用 |
| **硬件优化** | 针对Intel iGPU深度优化，普通轻薄本亦可流畅运行 |
| **中文场景** | GLM-OCR原生优化中英混排识别，中文文档准确率显著优于通用云端方案 |
| **离线可用** | 无需网络连接，适用于内网环境或网络不稳定场景 |
潜在局限
- 平台限制：当前仅支持Windows系统，依赖Vulkan图形接口
- 硬件门槛：需约2GB磁盘空间及足够显存/内存加载模型；低配设备可能触发OOM
- 首次部署耗时：1.5GB模型下载对慢速网络用户构成体验门槛
- 维护责任：用户需自行管理模型更新与安全补丁，无托管服务的自动更新机制
- 复杂排版：极度复杂的表格或艺术字体识别准确率可能下降
适合人群
- 企业法务/财务：处理合同、发票等敏感文档，需满足数据不出境合规要求
- 开发者与极客：追求完全可控的本地AI工作流，反感SaaS订阅模式
- 教育科研机构：在内网环境进行文献数字化，预算有限但数据敏感
- 个人隐私优先用户：不愿将个人证件、病历等图像上传至第三方服务器
常规风险
| 风险类别 | 说明 | 缓解措施 |
|----------|------|----------|
| **供应链安全** | 从GitHub/HuggingFace下载的二进制文件与模型可能被篡改 | 建议校验文件哈希，关注`ggml-org`官方发布签名 |
| **静默安装** | Miniforge自动安装至用户目录，可能与企业IT策略冲突 | 提前手动安装Python并配置`PYTHON_EXE`环境变量 |
| **本地服务暴露** | llama-server以HTTP服务运行，存在本地端口监听 | 服务仅绑定localhost，但建议防火墙限制外部访问 |
| **资源占用** | 推理时可能占用全部GPU资源，影响其他应用 | 可通过`--ngl`参数降低GPU层数，或指定`--device none`纯CPU推理 |
| **模型偏见** | GLM-OCR训练数据分布可能导致特定场景识别偏差 | 关键业务场景建议人工复核结果 |
该技能代表了端侧AI（Edge AI）在文档理解领域的成熟实践，适合将隐私控制权置于便利性之上的技术用户。