pdf-ocr-layout

GLM-OCR 多模态文档深度分析工具是一款基于智谱 AI 先进模型构建的专业级文档解析解决方案。该 Skill 通过整合 GLM-OCR 布局识别、GLM-4.7 文本推理与 GLM-4.6V 视觉理解能力，构建了从物理布局提取到语义深度分析的完整 pipeline。

核心用法上，用户通过命令行指定输入文件（支持 PDF、PNG、JPG 等格式）与输出目录，工具将自动执行三阶段处理：首先调用 GLM-OCR 进行页面物理布局分析，精准识别表格与图像元素的边界框坐标；随后自动裁剪图表为独立图像文件，并将表格转换为 Markdown 格式；最后基于 GLM-4.7 对表格数据进行业务逻辑与数值关系分析，同时利用 GLM-4.6V 对图像进行多模态视觉理解，结合全文上下文生成深度语义解读。

显著优点包括：极高的布局提取精度，能够处理复杂版式文档；真正的多模态理解能力，不仅提取内容更能洞察图表背后的业务含义；灵活的结构化输出，表格转为可编辑 Markdown，图像按 Bbox 独立保存；以及强大的上下文关联分析，理解过程结合全文逻辑而非孤立片段处理。

潜在局限方面，当前版本默认仅处理 PDF 首页，多页文档需用户在脚本层自行扩展循环逻辑；处理过程依赖智谱云端 API，需稳定网络连接且产生相应调用成本；对于极度复杂的艺术化排版或低质量扫描件识别精度可能受限；此外，大模型分析结果可能存在幻觉风险，关键业务数据需人工复核确认。

适合群体涵盖学术研究人员（论文图表提取与语义分析）、金融数据分析师（财报数据结构化与逻辑解读）、企业产品经理（竞品文档解析与洞察提取）以及知识管理团队（历史文档数字化与知识抽取）。

使用风险主要包括：数据隐私考量（原始文档内容需上传至智谱云服务端处理）、API 密钥安全管理（需正确配置 ZHIPU_API_KEY 环境变量，避免泄露）、以及大文件处理的性能开销（多模态分析涉及多次 API 调用，耗时较长且受网络波动影响）。