Ein KI‑Agent kann ein Diagramm in einer PDF oder eine gescannte Seite ohne Textebene lesen, wenn die Seite zuerst als Bild gerendert wird. Der GroupDocs.Viewer.Mcp‑Server führt dieses Rendering lokal auf Ihrem Rechner aus und übergibt das PNG an Claude, Cursor oder GitHub Copilot, und ein bildverarbeitungsfähiges Modell liest das Bild:

Auf Seite 7 des Jahresberichts befindet sich ein Umsatzdiagramm. Wie lauteten die Zahlen für jedes Quartal?

Die schrittweise Version mit Konfiguration und Fehlersuche finden Sie in der Dokumentation: Wie man einen KI‑Agenten Diagramme, Diagramme und gescannte Seiten lesen lässt.

Die Situation: Die Antwort existiert nur als Bild

Sie öffnen einen Jahresbericht und die benötigte Zahl ist die Höhe eines Balkens. Sie öffnen einen Vertrag, der von einem Scanner stammt, und die PDF enthält keinen auswählbaren Text. Sie öffnen eine Folie, bei der die Entscheidung ein Diagrammpfeil ist. Ein Agent, der mit extrahiertem Text arbeitet, findet in keinem dieser drei Fälle etwas, weil es keine zu extrahierenden Zeichen gibt. Die Information ist real und sie ist gezeichnet.

Was kann der Agent von einer gerenderten Seite lesen?

  • Diagramme und Grafiken. Werte, Trends, Beschriftungen und Legenden.
  • Gescannte Seiten. Eine von einem Scanner erstellte PDF ist ein Bild einer Seite. Das Bild ist der einzige Zugang.
  • Stempel, Unterschriften und Handschrift. Ob eine Seite unterschrieben ist und was ein Stempel sagt.
  • Layout‑Fragen. „Ist das Logo in der Kopfzeile?“ oder „Überläuft diese Folie?“

Jede dieser Fragen bezieht sich darauf, wie die Seite aussieht. Ein gerendertes Bild beantwortet sie direkt.

Schritt 1: Seite finden, ohne das Dokument zu rendern

Ein langer Bericht sollte nicht vollständig gerendert werden, um ein Diagramm zu finden. Bitten Sie den Agenten, die Seite kostengünstig zu lokalisieren:

Wie viele Seiten hat der Bericht? Rendern Sie die Inhaltsseite und sagen Sie mir, wo das Umsatzdiagramm ist.

Der Agent ruft get_view_info auf, um die Seitenzahl zu erfahren, dann render_page für die Inhaltsseite. Das sind zwei kleine Aufrufe statt fünfzig Renderings. Jede gerenderte Seite wird als Inline‑PNG zurückgegeben, oft ein paar hundert Kilobyte, sodass die Einsparung real ist.

Schritt 2: Seite rendern und lesen

Wenn die Seitennummer bekannt ist, ruft der Agent render_page für diese Seite auf und übergibt das Bild dem Modell. Das Bild wird außerdem als <name>_page<N>.png gespeichert, sodass Sie dasselbe Bild selbst öffnen und mit der Antwort vergleichen können.

Schritt 3: Nach der Sicherheit des Modells fragen

Lesen Sie das Umsatzdiagramm auf Seite 7. Nennen Sie, welche Werte Sie sicher sind und welche Sie aus den Balkenhöhen schätzen mussten.

Ein Modell, das ein Bild liest, kann eine kleine Zahl oder einen schwachen Scan falsch interpretieren. Für Zahlen, die in eine Entscheidung einfließen, lassen Sie den Agenten seine Sicherheit angeben und prüfen Sie anschließend die Quelle.

Beispiel‑Sitzung

Eine Illustration basierend auf dem dokumentierten Verhalten, kein aufgenommenes Screenshot. Der Text in eckigen Klammern steht für das, was ein Modell aus dem Bild lesen würde.

You:   Auf Seite 7 von annual-report.pdf befindet sich ein Umsatzdiagramm. Wie lauteten die Zahlen für jedes Quartal? Geben Sie an, wie sicher Sie sind.

Agent: [calls get_view_info on annual-report.pdf, then render_page with page = 7]
       Seite 7 von 'annual-report.pdf' gespeichert unter: <output folder>/annual-report_page7.png
       Das Diagramm zeigt [quarterly figures read from the image].
       Auf dem Diagramm gedruckte Werte: [list]. Aus der Balkenhöhe geschätzte Werte: [list].

Warum nicht OCR?

Rendering ist kein OCR. OCR wandelt ein Bild in Text um; dieser Ansatz gibt dem Modell das Bild und lässt es interpretieren, was dort ist, einschließlich der Teile, die kein Text sind. Der Server erzeugt keinen verifizierten Text aus einem Scan. Wenn Sie eine durchsuchbare Textebene benötigen, ist das ein separater Schritt mit einem separaten Werkzeug.

Ehrliche Grenzen

  • Eine Lesung ist eine Interpretation, keine Extraktion. Das Modell kann eine kleine Zahl, einen schwachen Scan oder eine überfüllte Legende falsch lesen. Rendering verwandelt keinen Scan in verifizierten Text.
  • Das Modell muss Bild‑Eingaben akzeptieren. Bei einem reinen Text‑Modell kann der Agent den gespeicherten PNG‑Pfad weitergeben, aber es kann Ihnen nicht sagen, was das Diagramm aussagt.
  • Evaluierungs‑Wasserzeichen. Ohne Lizenz trägt jede gerenderte Seite ein Evaluierungs‑Wasserzeichen, das über der Seite liegt und das Detail, nach dem Sie gefragt haben, verbergen kann. Ein Server‑Prozess öffnet außerdem höchstens 15 Dokumente. Fragen Sie „Ist der Viewer‑Server lizenziert?“, damit der Agent get_license_status aufruft, bevor Sie sich auf das Gelesene verlassen.
  • Eine Seite pro Aufruf, nur PNG.
  • Das Bild verlässt den Server. Es geht zu Ihrem Agenten und dessen Modell. Ein lokal gehostetes Modell behält alles auf dem Rechner; ein gehostetes Modell erhält das Bild als Teil der Konversation.

FAQ

Kann Claude ein Diagramm in einer PDF lesen? Claude kann ein Diagramm lesen, wenn die Seite zu einem Bild gerendert wird und das verwendete Modell Bilder akzeptiert. GroupDocs.Viewer.Mcp rendert die Seite lokal mit render_page und gibt das PNG an Claude zurück.

Meine gescannte PDF hat keinen Text, wie kann KI sie lesen? Rendern Sie die Seite zu einem Bild und geben Sie das Bild einem bildverarbeitungsfähigen Modell. Das Modell liest das Bild statt einer Textebene, und seine Lesung sollte bei wichtigen Zahlen überprüft werden.

Ist das dasselbe wie das Extrahieren von Daten aus einem Diagrammbild? Nein. Das Modell beschreibt und schätzt, was es sieht; es liefert nicht die genauen zugrunde liegenden Daten. Verwenden Sie die Quell‑Tabellendatei, wenn exakte Werte wichtig sind.

Weiterführende Informationen