Agenci multimodalni potrzebują pikseli, nie tylko tekstu
Ekstrakcja tekstu przekazuje agentowi AI znaki dokumentu, pomijając układ, wykresy i pieczęcie. Jedno polecenie renderuje stronę jako obraz, a agent patrzy na nią bezpośrednio.
Kiedy odpowiedź jest w wykresie: agenci AI czytający diagramy i skany za pośrednictwem MCP
Wykresy, pieczątki i zeskanowane strony zawierają odpowiedzi, których ekstrakcja tekstu nigdy nie dostrzega. Renderowanie strony i przekazanie obrazu modelowi zdolnemu do analizy wizualnej umożliwia ich odczyt, przy uczciwych ograniczeniach dokładności.
Pokaż agentowi, co zrobił
Agent, który adnotuje bez patrzenia, zgłasza sukces, ponieważ wywołanie zwróciło wynik. Renderowanie strony z adnotacjami jako obrazu pozwala modelowi zdolnemu do widzenia sprawdzić, gdzie znalazło się podświetlenie i przenieść je, jeśli jest nieprawidłowe.
