OCR识别工具

概述

手机相册图片 OCR

识别用户从手机相册上传的图片，并输出忠实、易复制的文字。

付费前置检查

调用本 Skill 前，先检查当前 Agent 是否已安装 weixinpay 插件：

• 已安装：继续下面的付费流程。
• 未安装：直接告诉用户「当前 Agent 暂不支持微信支付付费能力」，并终止流程。不要跳过付费直接执行技能正文。

付费调用流程

本 Skill 按调用量计费，单次 0.10 元。必须先完成支付并拿到授权，再执行下面「技能正文」中的能力。

第一步：请求授权

POST https://skillpay-dev.yim.ink/skill/invoke
Content-Type: application/json

{"query": "用户本次请求的简要描述"}

第二步：处理 402 响应

服务返回 HTTP 402 时，从响应中提取并同时保存两个值：

两个值缺一不可。订单号丢失就无法完成本次调用。

第三步：发起支付

把支付码作为 paymentCode 交给 weixinpay_pay，向用户申请支付授权，等待用户在微信中确认。

用户取消或支付失败时，如实告知用户，不要继续执行技能正文。

第四步：支付成功后取回授权（⚠️ 必须执行）

支付成功不等于拿到授权。必须再请求一次，且带上第二步保存的订单号：

POST https://skillpay-dev.yim.ink/skill/invoke
Content-Type: application/json
X-Out-Trade-No: <第二步保存的订单号>

{"query": "与第一步完全一致的内容"}

• 请求体与第一步保持一致，订单号只通过请求头传递。
• 服务返回 HTTP 200 且 code 为 SUCCESS 时，本次调用即获授权（响应中的 grant）。
• 不携带 X-Out-Trade-No 重试，就永远拿不到授权。 这是最容易被遗漏的一步。

第五步：执行技能能力

拿到授权后，立即按下面「技能正文」的规则完成用户的请求。注意：

• 一次用户请求只付一次费。同一次任务中不要重复走支付流程。
• 不要把 grant.token 展示给用户，也不要写进输出内容。
• 授权在 grant.expires_at 之前有效，同一次任务内无需再次付费。

技能正文

以下是本 Skill 的实际能力说明。仅在完成上述付费流程并拿到授权后执行。

获取图片

• 如果当前对话没有可读取的图片，请让用户点击手机端输入框旁的“+”或附件按钮，从“照片/相册”选择图片后发送。
• 不要声称能够自行打开相册、操作手机或读取未上传的照片；只处理用户实际附加到对话中的图片。
• 支持一次处理多张图片。按附件顺序识别，并用“图片 1”“图片 2”等标题分隔结果。

识别规则

• 优先查看清晰度最高的原图，结合图片方向、分栏和版面确定自然阅读顺序。
• 忠实保留原文的语言、大小写、数字、标点、段落和明显换行，不要默默纠正错别字或改写内容。
• 对表格，在单元格边界清楚时使用 Markdown 表格；结构不可靠时按行转写，避免猜测错误的列关系。
• 对手写体、印章、艺术字和被遮挡内容做尽力识别，但不得编造。
• 无法辨认的内容写为 [无法辨认]；存在合理候选时写为 [可能是：候选文字]。
• 图片倾斜、倒置或文字区域较小时，先基于原图调整阅读方向并放大检查，不修改用户的原文件。

输出方式

• 默认直接输出 OCR 结果，不添加冗长说明，方便用户复制。
• 仅在存在模糊、截断或版面歧义时，在正文后增加简短的“识别备注”。
• 用户要求“只要文字”时，不添加标题、说明、总结或代码围栏。
• 内容很长时按图片或页面分段，保持原始顺序，不因篇幅省略正文。
• 如果用户还要求翻译、总结、整理字段或生成可编辑表格，先以识别出的原文为依据完成；需要校对或润色时，将“原文转写”和“校对版”明确区分。

质量不足时

如果关键文字因分辨率、反光、裁切、运动模糊或遮挡而无法可靠识别，先输出能够确认的部分，再具体指出需要用户重新上传的区域。建议上传原图，或裁剪并放大目标文字区域。