图片文字提取器#

任务目标#

• 本 Skill 用于：批量处理用户上传的图片，识别并提取每张图片中的文字内容
• 能力包含：图片OCR识别、文字内容整理、分段输出、文档生成
• 触发条件：用户上传一张或多张图片，并要求提取文字、识别内容、转为文档

操作步骤#

步骤1：接收图片#

• 引导用户上传图片（支持批量上传）
• 接受的图片格式：PNG、JPG、JPEG、GIF、WebP等常见格式
• 确认图片数量和顺序

步骤2：识别文字内容#

• 对每张图片调用 read_image 工具进行文字识别
• 识别参数设置：
  • prompt: "提取图片中的所有文字内容，保持原有的段落和格式"
• 按图片上传顺序依次处理

步骤3：整理识别结果#

• 为每张图片的文字内容添加清晰的图片标识（如"图片1"、"图片2"）
• 保留原文的段落结构和格式
• 如识别到标题、正文、列表等结构，保持原有层次

步骤4：生成文档#

• 将整理好的内容按标准格式生成Markdown文档
• 文档格式参考： references/output-format.md
• 输出文档结构：
  1. 文档标题
  2. 提取时间
  3. 图片总数
  4. 各图片文字内容（按图片分段）
• 将文档内容直接输出给用户，或生成.md文件供用户下载

资源索引#

• 输出格式参考：见 references/output-format.md（包含文档模板和格式规范）

注意事项#

• 图片质量：建议图片清晰、光线充足、文字明显，以提高识别准确率
• 文字语言：支持中英文混合识别，其他语言根据图片内容自动识别
• 处理顺序：严格按照用户上传图片的顺序进行处理和输出
• 格式保留：尽可能保留原文的段落、标题、列表等结构
• 错误处理：如某张图片识别失败，跳过该图片并告知用户，继续处理其他图片
• 隐私保护：图片内容仅在当前会话中使用，不会存储或泄露

使用示例#

示例1：批量提取文档图片#

用户上传：3张文档截图 执行流程：

1. 接收3张图片
2. 逐张调用read_image识别文字
3. 整理为"图片1"、"图片2"、"图片3"三个部分
4. 生成包含所有内容的Markdown文档

示例2：提取演示文稿内容#

用户上传：多张PPT截图 执行流程：

1. 接收图片并确认数量
2. 识别每张PPT中的标题和正文
3. 按幻灯片顺序分段输出
4. 保持原有的标题层次结构