AI agent může přečíst graf v PDF nebo naskenovanou stránku bez textové vrstvy, pokud je stránka nejprve vykreslena jako obrázek. Server GroupDocs.Viewer.Mcp provádí toto vykreslování lokálně na vašem počítači a předává PNG modelům Claude, Cursor nebo GitHub Copilot, a model s vizuálními schopnostmi čte obrázek:

Na stránce 7 výroční zprávy je graf výnosů. Jaké byly hodnoty pro jednotlivé čtvrtletí?

Podrobná verze s konfigurací a řešením problémů je v dokumentaci: Jak nechat AI agenta číst grafy, diagramy a naskenované stránky.

Situace: odpověď existuje jen jako obrázek

Otevřete výroční zprávu a číslo, které potřebujete, je výška sloupce. Otevřete smlouvu, která pochází ze skeneru, a PDF nemá žádný vybratelný text. Otevřete snímek, kde je rozhodnutí znázorněno šipkou v diagramu. Agent, který pracuje s extrahovaným textem, v žádném z těchto tří případů nic nenajde, protože neexistují žádné znaky k extrakci. Informace jsou skutečné a jsou nakreslené.

Co může agent přečíst z vykreslené stránky?

  • Grafy a diagramy. Hodnoty, trendy, popisky a legendy.
  • Naskenované stránky. PDF vytvořené skenerem je obrázek stránky. Obrázek je jediný vstup.
  • Razítka, podpisy a rukopis. Zda je stránka podepsaná a co říká razítko.
  • Otázky na rozvržení. „Je logo v záhlaví?“ nebo „Přetéká tento snímek?“

Každá z nich je otázkou o tom, jak stránka vypadá. Vykreslený obrázek na ně odpovídá přímo.

Krok 1: Najděte stránku bez vykreslování dokumentu

Dlouhou zprávu by nemělo být nutné vykreslovat celou, aby se našel jeden graf. Požádejte agenta, aby stránku našel levně:

Kolik stránek má zpráva? Vykreslete stránku obsahu a řekněte mi, kde je graf výnosů.

Agent zavolá get_view_info, aby zjistil počet stránek, poté render_page pro stránku obsahu. To jsou dva malé volání místo padesáti vykreslení. Každá vykreslená stránka se vrátí jako vložené PNG, často jen několik stovek kilobajtů, takže úspora je reálná.

Krok 2: Vykreslete stránku a přečtěte ji

Jakmile je číslo stránky známo, agent zavolá render_page pro tuto stránku a předá obrázek modelu. Obrázek je také uložen jako <name>_page<N>.png, takže si můžete otevřít stejný obrázek a porovnat ho s odpovědí.

Krok 3: Zeptejte se, jak si model je jistý

Přečtěte graf výnosů na stránce 7. Řekněte, které hodnoty jste si jisti a které jste museli odhadnout z výšky sloupců.

Model čtoucí obrázek může špatně přečíst malé číslo nebo slabý sken. Pro čísla, která jsou součástí rozhodnutí, nechte agenta uvést svou jistotu a poté zkontrolujte zdroj.

Příklad relace

Ilustrace založená na zdokumentovaném chování, ne zachycený snímek obrazovky. Text v hranatých závorkách představuje to, co by model přečetl z obrázku.

You:   On page 7 of annual-report.pdf there is a revenue chart. What were
       the figures for each quarter? Say how sure you are.

Agent: [calls get_view_info on annual-report.pdf, then render_page with page = 7]
       Page 7 of 'annual-report.pdf' Saved to: <output folder>/annual-report_page7.png
       The chart shows [quarterly figures read from the image].
       Values printed on the chart: [list]. Values estimated from bar height: [list].

Proč ne OCR?

Vykreslování není OCR. OCR převádí obrázek na text; tato cesta poskytuje modelu obrázek a umožňuje mu interpretovat, co je na něm, včetně částí, které nejsou textové. Server nevytváří ověřený text ze skenu. Pokud potřebujete prohledávatelnou textovou vrstvu, je to samostatný krok s jiným nástrojem.

Upřímná omezení

  • Čtení je interpretace, ne extrakce. Model může špatně přečíst malé číslo, slabý sken nebo přeplněnou legendu. Vykreslování nepřevádí sken na ověřený text.
  • Model musí přijímat vstupní obrázek. U modelu, který pracuje jen s textem, může agent předat cestu k uloženému PNG, ale nemůže vám říct, co graf ukazuje.
  • Evaluační vodoznak. Bez licence každá vykreslená stránka nese evaluační vodoznak, který leží na stránce a může skrýt detail, na který se ptáte. Serverový proces také otevírá najednou maximálně 15 dokumentů. Zeptejte se „Je server Viewer licencován?“, aby agent zavolal get_license_status před tím, než se spolehnete na to, co přečte.
  • Jedna stránka na volání, pouze PNG.
  • Obrázek opouští server. Jde k vašemu agentovi a jeho modelu. Lokálně hostovaný model vše uchovává na stroji; hostovaný model přijímá obrázek jako součást konverzace.

Často kladené otázky

Může Claude přečíst graf v PDF? Claude může přečíst graf, pokud je stránka vykreslena do obrázku a používaný model přijímá obrázky. GroupDocs.Viewer.Mcp vykreslí stránku lokálně pomocí render_page a vrátí PNG Claudeovi.

Můj naskenovaný PDF nemá text, jak to může AI přečíst? Vykreslete stránku do obrázku a dejte obrázek modelu s vizuálními schopnostmi. Model čte obrázek místo textové vrstvy a jeho výstup by měl být ověřen u důležitých čísel.

Je to stejné jako extrahování dat z obrázku grafu? Ne. Model popisuje a odhaduje, co vidí; nevrací přesná podkladová data. Použijte zdrojový tabulkový soubor, když jsou přesné hodnoty důležité.

Prohloubení