Když je odpověď v grafu: AI agenti čtou diagramy a skeny přes MCP
Grafy, razítka a naskenované stránky obsahují odpovědi, které textový výpis nikdy nevidí. Vykreslením stránky a předáním obrázku modelu s vizuálními schopnostmi je získáte, s upřímnými omezeními přesnosti.
Multimodální agenti potřebují pixely, nejen text
Extrahování textu předá AI agentovi znaky dokumentu a opomene rozvržení, grafy a razítka. Jeden prompt vykreslí stránku jako obrázek a agent se na ni dívá přímo.
Ukázat agentovi, co udělal
Agent, který anotuje bez pohledu, hlásí úspěch, protože volání vrátilo výsledek. Vykreslení anotované stránky jako obrázku umožňuje modelu s vizuálními schopnostmi zkontrolovat, kde se zvýraznění objevilo, a přesunout jej, pokud je špatně.
