An AI agent สามารถอ่านแผนภูมิใน PDF หรือหน้าสแกนที่ไม่มีเลเยอร์ข้อความได้ หากหน้าถูกแปลงเป็นภาพก่อน. เซิร์ฟเวอร์ GroupDocs.Viewer.Mcp ทำการแปลงนั้นในเครื่องของคุณและส่ง PNG ให้กับ Claude, Cursor หรือ GitHub Copilot, และโมเดลที่มีความสามารถด้านภาพจะอ่านภาพนั้น:

บนหน้า 7 ของรายงานประจำปีมีแผนภูมิรายได้ ตัวเลขสำหรับแต่ละไตรมาสคืออะไร?

เวอร์ชันขั้นตอนต่อขั้นตอนพร้อมการกำหนดค่าและการแก้ไขปัญหาอยู่ในเอกสาร: วิธีทำให้เอเจนต์ AI อ่านแผนภูมิ แผนภาพ และหน้าสแกน.

สถานการณ์: คำตอบมีอยู่เฉพาะเป็นรูปภาพ

คุณเปิดรายงานประจำปีและตัวเลขที่คุณต้องการเป็นความสูงของแท่งกราฟ คุณเปิดสัญญาที่สแกนเข้ามาและ PDF ไม่มีข้อความที่สามารถเลือกได้ คุณเปิดสไลด์ที่การตัดสินใจเป็นลูกศรของแผนภาพ เอเจนต์ที่ทำงานกับข้อความที่สกัดออกมาจะไม่พบอะไรในทั้งสามกรณีนี้ เพราะไม่มีอักขระให้สกัด ข้อมูลนั้นเป็นจริงและเป็นการวาดขึ้น

เอเจนต์สามารถอ่านอะไรจากหน้าที่แปลงเป็นภาพได้?

  • แผนภูมิและกราฟ. ค่า, แนวโน้ม, ป้ายกำกับและคำอธิบาย
  • หน้าสแกน. PDF ที่สร้างโดยสแกนเนอร์เป็นรูปภาพของหน้า ภาพเป็นวิธีเดียวที่เข้าถึงได้
  • ตราประทับ, ลายเซ็นและลายมือ. ว่าหน้านั้นมีการเซ็นหรือไม่ และตราประทับบอกว่าอะไร
  • คำถามเกี่ยวกับการจัดวาง. “โลโก้อยู่ในส่วนหัวหรือไม่?” หรือ “สไลด์นี้ล้นหรือไม่?”

แต่ละข้อเป็นคำถามเกี่ยวกับลักษณะของหน้า ภาพที่แปลงแล้วตอบคำถามเหล่านั้นโดยตรง.

ขั้นตอนที่ 1: ค้นหาหน้าโดยไม่ต้องแปลงเอกสาร

รายงานยาวไม่ควรแปลงทั้งหมดเพื่อค้นหาแผนภูมิหนึ่ง ให้ถามเอเจนต์เพื่อค้นหาหน้าอย่างประหยัด:

รายงานมีทั้งหมดกี่หน้า? แปลงหน้าสารบัญและบอกฉันว่าตำแหน่งของแผนภูมิรายได้อยู่ที่ไหน.

เอเจนต์เรียก get_view_info เพื่อเรียนรู้จำนวนหน้า จากนั้น render_page สำหรับหน้าสารบัญ นั่นคือสองการเรียกที่เล็กน้อยแทนการแปลงห้าสิบครั้ง แต่ละหน้าที่แปลงแล้วจะส่งกลับเป็น PNG แบบอินไลน์ ปกติหลายร้อยกิโลไบต์ ดังนั้นการประหยัดจึงเป็นจริง.

ขั้นตอนที่ 2: แปลงหน้าและอ่านมัน

เมื่อทราบหมายเลขหน้าแล้ว เอเจนต์จะเรียก render_page สำหรับหน้านั้นและส่งภาพให้โมเดล ภาพยังถูกบันทึกเป็น <name>_page<N>.png ดังนั้นคุณสามารถเปิดรูปเดียวกันและเปรียบเทียบกับคำตอบได้.

ขั้นตอนที่ 3: ถามความมั่นใจของโมเดล

อ่านแผนภูมิรายได้บนหน้า 7 บอกว่าค่าที่คุณมั่นใจได้คืออะไรและค่าที่คุณต้องประมาณจากความสูงของแท่งกราฟคืออะไร.

โมเดลที่อ่านภาพอาจอ่านตัวเลขเล็ก ๆ หรือสแกนที่จางผิดได้ สำหรับตัวเลขที่ใช้ในการตัดสินใจ ให้เอเจนต์ระบุความมั่นใจของมัน แล้วตรวจสอบแหล่งที่มา.

ตัวอย่างการสนทนา

ภาพประกอบอิงตามพฤติกรรมที่บันทึกไว้ ไม่ใช่ภาพหน้าจอที่จับได้ ข้อความในวงเล็บแทนสิ่งที่โมเดลจะอ่านจากภาพ.

คุณ:   บนหน้า 7 ของ annual-report.pdf มีแผนภูมิรายได้ ตัวเลขสำหรับแต่ละไตรมาสคืออะไร? บอกความมั่นใจของคุณ.

เอเจนต์: [เรียก get_view_info บน annual-report.pdf, จากนั้น render_page ด้วย page = 7]
       หน้า 7 ของ 'annual-report.pdf' ถูกบันทึกไปที่: <output folder>/annual-report_page7.png
       แผนภูมิแสดง [ตัวเลขไตรมาสที่อ่านจากภาพ].
       ค่าที่พิมพ์บนแผนภูมิ: [list]. ค่าที่ประมาณจากความสูงของแท่ง: [list].

ทำไมไม่ใช้ OCR?

การแปลงไม่ใช่ OCR. OCR แปลงภาพเป็นข้อความ; วิธีนี้ให้โมเดลได้ภาพและให้มันตีความสิ่งที่อยู่ในนั้น รวมถึงส่วนที่ไม่ใช่ข้อความ เซิร์ฟเวอร์ไม่สร้างข้อความที่ตรวจสอบได้จากการสแกน หากคุณต้องการเลเยอร์ข้อความที่ค้นหาได้ นั่นเป็นขั้นตอนแยกต่างหากด้วยเครื่องมือแยกต่างหาก.

ข้อจำกัดที่ตรงไปตรงมา

  • การอ่านเป็นการตีความ ไม่ใช่การสกัดข้อมูล. โมเดลอาจอ่านตัวเลขเล็ก ๆ สแกนที่จางหรือคำอธิบายที่แออัดผิดได้ การแปลงไม่ได้ทำให้สแกนกลายเป็นข้อความที่ตรวจสอบได้.
  • โมเดลต้องรับอินพุตเป็นภาพ. กับโมเดลที่รับเฉพาะข้อความ เอเจนต์สามารถส่งเส้นทาง PNG ที่บันทึกไว้ได้ แต่ไม่สามารถบอกคุณว่าแผนภูมิพูดอะไร.
  • ลายน้ำการประเมิน. หากไม่มีใบอนุญาต ทุกหน้าที่แปลงจะมีลายน้ำการประเมินซึ่งอยู่บนหน้าดังกล่าวและอาจซ่อนรายละเอียดที่คุณถามไว้ กระบวนการเซิร์ฟเวอร์ยังเปิดได้สูงสุด 15 เอกสารเท่านั้น ถาม “เซิร์ฟเวอร์ Viewer มีใบอนุญาตหรือไม่?” เพื่อให้เอเจนต์เรียก get_license_status ก่อนที่คุณจะพึ่งพาข้อมูลที่มันอ่าน.
  • หนึ่งหน้าต่อการเรียก, PNG เท่านั้น.
  • ภาพออกจากเซิร์ฟเวอร์. ภาพจะส่งไปยังเอเจนต์ของคุณและโมเดลของมัน โมเดลที่โฮสต์ในเครื่องจะเก็บทุกอย่างไว้ในเครื่อง; โมเดลที่โฮสต์บนคลาวด์จะรับภาพเป็นส่วนหนึ่งของการสนทนา.

คำถามที่พบบ่อย

Claude สามารถอ่านแผนภูมิใน PDF ได้หรือไม่? Claude สามารถอ่านแผนภูมิได้หากหน้าถูกแปลงเป็นภาพและโมเดลที่ใช้รับภาพได้ GroupDocs.Viewer.Mcp แปลงหน้าในเครื่องด้วย render_page และส่ง PNG ให้ Claude.

PDF สแกนของฉันไม่มีข้อความ จะให้ AI อ่านได้อย่างไร? แปลงหน้าเป็นภาพและให้ภาพกับโมเดลที่มีความสามารถด้านภาพ โมเดลจะอ่านรูปภาพแทนเลเยอร์ข้อความ และการอ่านของมันควรตรวจสอบสำหรับตัวเลขสำคัญ.

นี่คือการสกัดข้อมูลจากภาพแผนภูมิหรือไม่? ไม่ โมเดลอธิบายและประมาณสิ่งที่เห็น; มันไม่คืนค่าข้อมูลพื้นฐานที่แม่นยำ ใช้สเปรดชีตต้นฉบับเมื่อค่าที่แม่นยำสำคัญ.

ไปให้ลึกขึ้น