AI エージェントは、PDF 内のチャートやテキスト層のないスキャンページを、まずページを画像としてレンダリングすれば読むことができます。GroupDocs.Viewer.Mcp サーバーはローカルでそのレンダリングを行い、PNG を Claude、Cursor、または GitHub Copilot に渡し、ビジョン対応モデルが画像を読み取ります:

年次報告書の 7 ページに売上チャートがあります。各四半期の数値は何ですか？

ステップバイステップのバージョン（設定とトラブルシューティング）はドキュメントにあります: How to have an AI agent read charts, diagrams, and scanned pages.

状況: 答えが画像としてしか存在しない

年次報告書を開き、必要な数字が棒の高さで示されていることがあります。スキャナーで取り込んだ契約書は PDF に選択可能なテキストがありません。決定が図形の矢印で示されているスライドがあります。抽出されたテキストで動作するエージェントは、これら 3 つのケースすべてで何も見つけられません。文字が抽出できないだけで、情報は実在し、描かれています。

レンダリングされたページからエージェントが読み取れるものは？

  • チャートとグラフ。 値、トレンド、ラベル、凡例。
  • スキャンページ。 スキャナーで作成された PDF はページの画像です。画像が唯一の入力手段です。
  • スタンプ、署名、手書き。 ページが署名されているか、スタンプに何が書かれているか。
  • レイアウトに関する質問。 「ヘッダーにロゴがありますか？」または「このスライドははみ出していますか？」

これらはすべて「ページの見た目」に関する質問です。レンダリングされた画像が直接答えを提供します。

ステップ1: ドキュメント全体をレンダリングせずにページを見つける

長いレポート全体をレンダリングして 1 つのチャートを探すのは非効率です。エージェントに安価にページを特定させましょう:

レポートは何ページありますか？目次ページをレンダリングして、売上チャートがどこにあるか教えてください。

エージェントは get_view_info を呼び出してページ数を取得し、続いて目次ページを render_page でレンダリングします。これは 50 回のレンダリングではなく、2 回の小さな呼び出しです。各レンダリングページはインライン PNG として返され、数百キロバイト程度なので、実際にコスト削減になります。

ステップ2: ページをレンダリングして読み取る

ページ番号が分かれば、エージェントはそのページに対して render_page を呼び出し、画像をモデルに渡します。画像は <name>_page<N>.png として保存されるため、同じ画像を自分で開いて回答と比較できます。

ステップ3: モデルの確信度を尋ねる

7 ページの売上チャートを読み取ってください。確実に分かる数値と、棒の高さから推定した数値を教えてください。

画像を読むモデルは、小さな数字や薄いスキャン、混雑した凡例を誤読することがあります。意思決定に関わる数値については、エージェントに自信度を示させ、ソースを確認してください。

例のセッション

ドキュメント化された動作に基づくイラストで、実際のスクリーンショットではありません。角括弧内のテキストはモデルが画像から読み取る内容を表します。

あなた:   annual-report.pdf の7ページに売上チャートがあります。各四半期の数値は何ですか？どれくらい確信があるか教えてください。

エージェント: [annual-report.pdf に対して get_view_info を呼び出し、次に page = 7 で render_page を呼び出す]
       'annual-report.pdf' の7ページが保存されました: <output folder>/annual-report_page7.png
       チャートは [画像から読み取った四半期ごとの数値] を示しています。
       チャートに印刷された値: [list]。棒の高さから推定された値: [list]。

なぜ OCR ではないのか？

レンダリングは OCR ではありません。OCR は画像をテキストに変換しますが、この方法はモデルに画像そのものを渡し、テキストでない部分も含めて解釈させます。サーバーはスキャンから検証済みテキストを生成しません。検索可能なテキスト層が必要な場合は、別のツールで別ステップとして実行してください。

正直な制限

  • 読み取りは抽出ではなく解釈です。 モデルは小さな数字や薄いスキャン、混雑した凡例を誤読する可能性があります。レンダリングはスキャンを検証済みテキストに変換するものではありません。
  • モデルは画像入力を受け付ける必要があります。 テキストのみのモデルでは、エージェントは保存された PNG のパスを渡すことはできますが、チャートの内容を伝えることはできません。
  • 評価用透かし。 ライセンスがない場合、すべてのレンダリングページにはページ上に表示される評価用透かしが付加され、求めた詳細が隠れることがあります。サーバープロセスは同時に最大 15 文書までしか開けません。「ビューアサーバーはライセンスされていますか？」と尋ねると、エージェントは get_license_status を呼び出してから結果に依存します。
  • 1回の呼び出しにつき1ページ、PNGのみ。
  • 画像はサーバーから外部へ出ます。 画像はエージェントとそのモデルに送られます。ローカルでホストされたモデルはすべてマシン上に留まり、ホスト型モデルは会話の一部として画像を受け取ります。

よくある質問

Claude は PDF のチャートを読み取れますか？
Claude は、ページが画像にレンダリングされ、使用中のモデルが画像を受け付ける場合、チャートを読み取ることができます。GroupDocs.Viewer.Mcp は render_page でローカルにページをレンダリングし、PNG を Claude に返します。

スキャンした PDF にテキストがなくても、AI はどうやって読むことができますか？
ページを画像にレンダリングし、その画像をビジョン対応モデルに渡します。モデルはテキスト層ではなく画像を読み取り、重要な数値についてはその読み取り結果を確認する必要があります。

チャート画像からデータを抽出することと同じですか？
いいえ。モデルは見たものを記述・推定するだけで、正確な基礎データは返しません。正確な数値が必要な場合は、元のスプレッドシートを使用してください。

さらに深く掘り下げる