核心用法
GLM-OCR 是智谱 AI 推出的云端文档理解 SDK，通过 pip install glmocr 安装后即可调用。核心入口为 glmocr.parse() 函数或 GlmOcr 类，支持图像（JPG/PNG/WEBP 等）与 PDF 文件，返回包含 Markdown 正文、结构化 JSON 区域、边界框坐标的 PipelineResult 对象。
关键特性
- 云端 MaaS 模式：无需本地 GPU，调用智谱云 API，环境变量
ZHIPU_API_KEY即可生效 - CLI 零配置：支持
glmocr parse image.png --stdout直接输出结果，适合 Agent 工具链集成 - 结构化输出：自动识别标题、正文、表格、公式、图注、页眉页脚等 10 类区域，表格直接输出 Markdown 格式
- 灵活配置：Constructor 参数 > 环境变量 > .env 文件 > YAML 配置，Agent 可通过代码完全控制
显著优点
1. 零基础设施成本：纯云端推理，无需维护 OCR 模型或 GPU 服务器
2. 复杂版面解析：内置版面分析（Layout Detection），对学术论文、发票、财报等多栏混排文档效果稳定
3. Agent 友好：CLI 支持 --stdout --json-only --no-save 模式，结果可直接管道传输给下游工具（如 jq 过滤表格）
4. 批量处理：原生支持目录遍历与进度日志，适合文档数字化流水线
潜在局限
- 网络依赖：必须保持与智谱 API 的连通，离线环境无法使用
- 隐私敏感场景：文档内容需上传至第三方云端，金融、医疗等敏感领域需评估合规性
- 成本敏感：按量计费模式，高频大批量调用需关注 API 费用
- 不支持实时流：明确排除摄像头实时流、音频转写、非文档类图像（艺术插画等）
适合人群
- 需快速搭建文档数字化流程的开发者与自动化团队
- AI Agent 构建者，需要可靠的文档解析工具节点
- 无 GPU 资源或不愿维护本地 OCR 基础设施的中小团队
常规风险
- API 密钥泄露：
ZHIPU_API_KEY需妥善保管，避免硬编码提交至版本控制 - 超时与重试：大文档默认 600s 超时可能不足，需按需调整
- 错误处理：SDK 在 MaaS 错误时不抛出异常，需显式检查
result.to_dict().get("error") - 数据残留：虽输出目录可配置，但临时文件处理需符合内部安全规范
技术规格
- 边界框归一化至 0–1000 坐标系
- 支持自托管 vLLM/SGLang 模式（需本地 GPU）作为云端备选
- Python 3.8+，纯 Python 依赖，无系统级二进制要求