סוכן AI יכול לקרוא תרשים ב‑PDF, או דף סרוק ללא שכבת טקסט, אם הדף מוּפָּר קודם כתמונה. השרת GroupDocs.Viewer.Mcp מבצע את הרינדור הזה מקומית במחשב שלך ומעביר את קובץ ה‑PNG ל‑Claude, Cursor או GitHub Copilot, ומודל בעל יכולת ראייה קורא את התמונה:

בדף 7 של הדוח השנתי יש תרשים הכנסות. מה היו המספרים עבור כל רבעון?

הגרסה שלב‑אחר‑שלב עם תצורה ופתרון בעיות נמצאת בתיעוד: כיצד לגרום לסוכן AI לקרוא תרשימים, דיאגרמות ודפים סרוקים.

המצב: התשובה קיימת רק כתמונה

אתה פותח דוח שנתי והמספר שאתה צריך הוא גובה של עמודה. אתה פותח חוזה שהגיע מסורק וה‑PDF אינו מכיל טקסט שניתן לבחור. אתה פותח שקף שבו ההחלטה היא חץ דיאגרמה. סוכן שעובד על טקסט מחולץ לא מוצא דבר באף אחד משלושת המקרים, מכיוון שאין תווים לחלץ. המידע אמיתי, והוא מצויר.

מה יכול הסוכן לקרוא מדף שעבר רינדור?

  • תרשימים וגרפים. ערכים, מגמות, תוויות והסברים.
  • דפים סרוקים. קובץ PDF שנוצר על ידי סורק הוא תמונה של דף. התמונה היא הדרך היחידה פנימה.
  • חותמות, חתימות וכתיבה ידנית. האם דף חתום, ומה חותמת אומרת.
  • שאלות פריסה. “האם הלוגו נמצא בכותרת?” או “האם השקף הזה חורג?”

כל אחד מהן הוא שאלה לגבי איך הדף נראה. תמונה מרונדרת עונה עליהן ישירות.

שלב 1: מצא את הדף מבלי לרנדר את המסמך

דוח ארוך לא צריך להיות מרונדר במלואו כדי למצוא תרשים אחד. בקש מהסוכן לאתר את הדף בצורה חסכונית:

כמה דפים יש לדוח? רנדר את דף התוכן ותגיד לי היכן נמצא תרשים ההכנסות.

הסוכן קורא get_view_info כדי ללמוד את מספר העמודים, ואז render_page עבור דף התוכן. זה שני קריאות קטנות במקום חמישים רינדורים. כל דף מרונדר מוחזר כ‑PNG משולב, לרוב כמה מאות קילובייט, ולכן החיסכון הוא ממשי.

שלב 2: רנדר את הדף וקרא אותו

כאשר מספר העמוד ידוע, הסוכן קורא render_page עבור העמוד הזה ומעביר את התמונה למודל. התמונה נשמרת גם בשם <name>_page<N>.png, כך שאתה יכול לפתוח את אותה תמונה בעצמך ולהשוות אותה לתשובה.

שלב 3: שאל כמה בטוח המודל

קרא את תרשים ההכנסות בדף 7. אמור אילו ערכים אתה בטוח בהם ואילו נאלצת להעריך מגובה העמודות.

מודל הקורא תמונה יכול לטעות במספר קטן או בסריקה חלשה. עבור ערכים המשמשים בקבלת החלטה, בקש מהסוכן לציין את רמת הביטחון שלו, ואז בדוק את המקור.

דוגמת שיחה

הדגמה מבוססת על ההתנהגות המתועדת, ולא צילומי מסך מתועדים. הטקסט שבסוגריים מייצג מה מודל היה קורא מהתמונה.

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].

למה לא OCR?

רינדור אינו OCR. OCR ממיר תמונה לטקסט; נתיב זה מספק למודל את התמונה ומאפשר לו לפרש מה נמצא שם, כולל החלקים שאינם טקסט. השרת אינו מייצר טקסט מאומת מסריקה. אם אתה צריך שכבת טקסט שניתן לחפש, זהו שלב נפרד עם כלי נפרד.

מגבלות כנות

  • קריאה היא פרשנות, לא חילוץ. המודל עשוי לטעות במספר קטן, סריקה חלשה או באגדה צפופה. רינדור אינו הופך סריקה לטקסט מאומת.
  • המודל חייב לקבל קלט תמונה. עם מודל טקסט‑אחד בלבד, הסוכן יכול להעביר את נתיב ה‑PNG השמור, אך הוא אינו יכול לומר לך מה אומר התרשים.
  • סימן מים להערכה. ללא רישיון, כל דף מרונדר נושא סימן מים להערכה שמונח מעל הדף ויכול להסתיר את הפרט שביקשת. תהליך השרת פותח גם לכל היותר 15 מסמכים. שאל “האם שרת הצופה מורשה?” כדי שהסוכן יקרא get_license_status לפני שאתה סומך על מה שהוא קורא.
  • דף אחד לכל קריאה, PNG בלבד.
  • התמונה יוצאת מהשרת. היא נשלחת לסוכן שלך ולמודל שלו. מודל שמאוחסן מקומית שומר את הכל במכונה; מודל מאוחסן בענן מקבל את התמונה כחלק מהשיחה.

שאלות נפוצות

האם Claude יכול לקרוא תרשים ב‑PDF? Claude יכול לקרוא תרשים אם הדף מרונדר לתמונה והמודל שבשימוש מקבל תמונות. GroupDocs.Viewer.Mcp מרנדר את הדף מקומית עם render_page ומחזיר את ה‑PNG ל‑Claude.

ה‑PDF הסרוק שלי אינו מכיל טקסט, איך AI יכול לקרוא אותו? רנדר את הדף לתמונה ונתן את התמונה למודל בעל יכולת ראייה. המודל קורא את התמונה במקום שכבת טקסט, ויש לבדוק את קריאתו עבור ערכים חשובים.

האם זה זהה לחילוץ נתונים מתמונת תרשים? לא. המודל מתאר ומעריך מה שהוא רואה; הוא אינו מחזיר נתונים מדויקים מהבסיס. השתמש בגליון המקור כאשר ערכים מדויקים חשובים.

להעמיק יותר