Skip to content

AI turns documents or topics into real, native PowerPoint decks—with native shapes, transitions and animations, data-backed charts and tables on demand, audio narration from speaker notes, and support for your own .pptx templates. · by Hugo He

feat(skills): 新增多模态 OCR 图片转 Markdown 技能配置

hugohe3f89d8ca73072
diff --git a/.agent/skills/ocr_image_to_markdown/SKILL.md b/.agent/skills/ocr_image_to_markdown/SKILL.md
new file mode 100644
index 00000000..e650b1f6
--- /dev/null
+++ b/.agent/skills/ocr_image_to_markdown/SKILL.md
@@ -0,0 +1,47 @@
+---
+name: OCR Image to Markdown
+description: 鉴于本地 OCR 工具的缺失,本技能利用 Agent 的多模态能力来查看图像(PNG, JPG 等)并将内容(文本、表格、逻辑图)转录为格式化的 Markdown。
+---
+
+# OCR 图像识别转 Markdown
+
+本技能允许你“阅读”图片并将内容转换为可编辑的 Markdown 文本。这在提取数据表格、幻灯片内容或文档截图时特别有用,尤其是当无法使用外部 OCR 库时。
+
+## 使用指南
+
+1. **确认目标图片**:
+ * 定位你需要处理的图片文件。
+ * 如有需要,使用 `list_dir` 浏览目录。
+
+2. **查看图片**:
+ * 使用 `view_file` 工具来“看”图片内容。系统允许你直接处理图像数据。
+ * **关键**: 你必须对图片路径使用 `view_file`,这样你的视觉模型才能消化它。
+
+3. **转录内容**:
+ * 基于你所看到的,将文本转录为 Markdown。
+ * **表格**: 将视觉看到的表格转换为标准 Markdown 表格 (`| 表头 | ... |`)。
+ * **标题**: 使用 `#`, `##` 等来标记图片中的标题,保持层级结构。
+ * **文本**: 将段落转录为普通文本。
+ * **数字**: 仔细核对所有数字,特别是财务报表中的数据。
+
+4. **保存输出**:
+ * 使用 `write_to_file` 将转录的内容写入 `.md` 文件(例如 `ocr_results.md`)。
+ * 如果处理多张图片,考虑将其追加到同一个文件中,或按逻辑组织。
+
+## 最佳实践技巧
+
+* **表格**: 仔细对齐行和列。标准 Markdown 表格不支持单元格合并(rowspan/colspan)。你需要根据逻辑流将合并的单元格展开,或者留空。
+* **复杂布局**: 如果图片布局复杂(例如左右分栏),请按照逻辑阅读顺序(从上到下,从左到右)将其序列化。
+* **图表/图形**: 如果图片包含图表,请描述趋势,或者将可见的数据点提取为列表或表格。
+* **无需代码执行**: **不要** 试图编写或使用 Python 库(如 `pytesseract`, `easyocr`, `PIL`)来进行文本提取。请直接利用你自身的视觉能力。
+
+## 示例场景
+
+**请求**: "把这 3 张财务报告的截图转为 markdown。"
+
+**执行**:
+1. `list_dir` 查看文件: `img1.png`, `img2.png`, `img3.png`。
+2. `view_file` 读取 `img1.png`。
+3. (内部处理): 识别表头 "Q1 Revenue" 和表格行数据。
+4. `view_file` 读取 `img2.png` 和 `img3.png`。
+5. `write_to_file` 创建 `financial_report.md` 并写入汇总的内容。