คุณสามารถให้เอเจนต์ AI มองดูหน้าของเอกสารแทนการอ่านข้อความดิบของมันได้ เซิร์ฟเวอร์ GroupDocs.Viewer.Mcp จะเรนเดอร์หน้าต่าง ๆ ของไฟล์ PDF, Word, Excel หรือ PowerPoint เป็น PNG และส่งกลับไปยังเอเจนต์ โดยทำงานบนเครื่องของคุณโดยตรง:

report.pdf มีทั้งหมดกี่หน้า? แล้วแสดงหน้าสุดท้ายให้ฉันดู

เวอร์ชันขั้นตอนต่อขั้นตอนพร้อมการกำหนดค่าและการแก้ไขปัญหาอยู่ในเอกสาร: วิธีให้เอเจนต์ AI มองเห็นหน้าของเอกสาร.

ทำไมการสกัดข้อความถึงล้มเหลวกับเอกสารจริง?

ตัวสกัดข้อความจะคืนอักขระตามลำดับการอ่านเท่านั้น มันไม่คืนแผนภูมิบาร์ระหว่างสองย่อหน้า, ตราประทับ “APPROVED” ที่มุม, การจัดเรียงคอลัมน์ของตารางราคา, หรือหน้าที่เป็นการสแกนและไม่มีอักขระเลย เอเจนต์ที่ทำงานจากผลลัพธ์นั้นจะตอบอย่างมั่นใจเกี่ยวกับเอกสารที่เห็นเพียงครึ่งหนึ่ง และครึ่งที่หายไปมักจะเป็นส่วนที่คุณถามถึง

การแก้ไขไม่ได้อยู่ที่การปรับคำสั่งให้ดีขึ้น แต่เป็นการเปลี่ยนอินพุต: หน้าเป็นภาพ ซึ่งส่งให้โมเดลที่รับอินพุตเป็นภาพ

วิธีที่ผิด: ส่งทุกอย่างผ่านตัวสกัดข้อความ

ค่าเริ่มต้นที่พบบ่อยคือแปลงเอกสารเป็นข้อความ, วางข้อความลงในหน้าต่างบริบทและถามคำถาม มันทำงานได้กับข้อความทั่วไป แต่ล้มเหลวในสี่วิธีที่คุณสามารถตรวจสอบได้บนเอกสารใด ๆ ที่คุณมี:

  • การจัดรูปแบบหายไป ดังนั้นไม่สามารถตอบคำถามว่า “ยอดรวมอยู่ในคอลัมน์ด้านขวาไหม?”
  • ตัวเลขในแผนภูมิและแผนภาพหายไป เพราะมันถูกวาด ไม่ได้พิมพ์
  • ตราประทับ, ลายเซ็นและลายมือหายไป
  • PDF ที่สแกนจะไม่มีข้อความ

โมเดลไม่สามารถซ่อมแซมข้อมูลที่ถูกตัดออกก่อนที่มันจะเห็นเอกสารได้

วิธีที่ถูกต้อง: เรนเดอร์หน้าของ PDF เป็นภาพสำหรับ LLM

render_page เรนเดอร์หนึ่งหน้เป็น PNG, ส่งภาพกลับเป็นอินไลน์ให้เอเจนต์และบันทึกสำเนาไปยังโฟลเดอร์ผลลัพธ์ของคุณเป็น <name>_page<N>.png. เซิร์ฟเวอร์รองรับรูปแบบกว่า 170 ประเภท รวมถึง PDF, DOCX, XLSX, PPTX, ODT, RTF, HTML, EML และ MSG. โมเดลที่มีความสามารถด้านภาพจะเห็นหน้าตามที่คุณเห็น

เอเจนต์ไม่ควรเดาหมายเลขหน้า ดังนั้นจึงใช้ render_page คู่กับ get_view_info ซึ่งจะคืนประเภทไฟล์, จำนวนหน้าและขนาดของแต่ละหน้าโดยไม่ต้องเรนเดอร์อะไรเลย เครื่องมือที่สาม get_license_status รายงานโหมดการให้สิทธิ์ที่ใช้งานอยู่

ฉันจะรันเซิร์ฟเวอร์สำหรับ Claude, Cursor หรือ Copilot อย่างไร?

อิมเมจ Docker เป็นแบบอิสระ:

docker run --rm -i -v $(pwd)/documents:/data \
  ghcr.io/groupdocs-viewer/viewer-net-mcp:latest

เมื่อมี .NET 10 SDK ติดตั้งอยู่, dnx GroupDocs.Viewer.Mcp --yes จะรันเซิร์ฟเวอร์เดียวกันโดยไม่ต้องใช้ Docker ลงทะเบียนมันใน Claude Desktop, Claude Code, Cursor, VS Code พร้อม GitHub Copilot, Windsurf และไคลเอนต์อื่น ๆ; หน้า hub จะระบุการกำหนดค่าที่แม่นยำสำหรับแต่ละรายการ ไคลเอนต์จะเริ่มเซิร์ฟเวอร์เป็นกระบวนการลูกและสื่อสารกับมันผ่าน standard input และ output ดังนั้นจึงไม่มีพอร์ตขาเข้าและไม่มี endpoint ที่ต้องรักษาความปลอดภัย

ตัวอย่างเซสชัน

นี่เป็นภาพจำลองที่สร้างจากพฤติกรรมที่ระบุในเอกสารของเครื่องมือสองตัว ไม่ใช่ภาพหน้าจอที่จับได้.

You:   How many pages does report.pdf have? Then show me the last one.

Agent: [calls get_view_info on report.pdf]
       report.pdf is a PDF with 2 pages, both 612 x 792 points (US Letter).
       [calls render_page with page = 2]
       Page 2 of 'report.pdf' Saved to: <output folder>/report_page2.png
       Here is what page 2 shows: ...

ภาพจะแสดงเป็นอินไลน์ในไคลเอนต์ที่รองรับการแสดงผล ข้อความตอบกลับเป็นคำอธิบายของเอเจนต์ว่ามันเห็นอะไรบนหน้า

เอเจนต์ตัดสินใจอะไร และเอนจินทำอะไร?

เอเจนต์ตัดสินใจว่าหน้าใดตอบคำถามและจะถามโมเดลเกี่ยวกับอะไร ส่วนเอนจินทำส่วนที่ต้องแม่นยำ: เปิดไฟล์, แบ่งหน้าให้ตรงกับการแบ่งหน้าของเอกสาร, และสร้าง PNG โมเดลไม่ต้องเดาการจัดหน้า เพราะมันได้รับหน้าที่เรนเดอร์แล้ว

ข้อจำกัดที่ตรงไปตรงมา

  • โหมดประเมินผล. หากไม่มีใบอนุญาต หน้าที่เรนเดอร์จะมีลายน้ำการประเมินผลและกระบวนการเซิร์ฟเวอร์จะเปิดได้สูงสุด 15 เอกสาร ลายน้ำอาจปกปิดรายละเอียดที่คุณถามถึง ให้เอเจนต์ถามว่า “เซิร์ฟเวอร์ Viewer มีใบอนุญาตหรือไม่?” เพื่อให้มันเรียก get_license_status ก่อนที่คุณจะพึ่งพาข้อมูลที่อ่าน
  • PNG เท่านั้น. ผลลัพธ์เป็นภาพ PNG; ไม่มีตัวเลือกรูปแบบอื่น
  • ไม่มีการตรวจสอบหมายเลขหน้า. render_page ไม่ปฏิเสธหมายเลขหน้าที่เกินหน้าสุดท้าย ตรวจสอบจำนวนหน้าด้วย get_view_info ก่อน
  • โมเดลต้องรับภาพ. หากเป็นโมเดลที่รับเฉพาะข้อความ เอเจนต์จะยังได้รับเส้นทางไฟล์ที่บันทึกไว้ แต่ไม่สามารถบอกคุณว่ามีอะไรบนหน้า
  • ภาพมีขนาดใหญ่. แต่ละหน้าคือ PNG อินไลน์ ซึ่งมักมีขนาดหลายร้อยกิโลไบต์ เรนเดอร์เฉพาะหน้าที่งานต้องการ ไม่ต้องเรนเดอร์ไฟล์ทั้งหมด
  • สิ่งหนึ่งออกจากเครื่อง. ภาพที่เรนเดอร์จะส่งไปยังเอเจนต์และจากนั้นไปยังโมเดลที่ใช้ โมเดลที่โฮสต์บนเครื่องท้องถิ่นจะทำให้ทุกอย่างอยู่บนเครื่อง

คำถามที่พบบ่อย

Claude สามารถเห็นหน้าของ PDF ของฉันและการจัดรูปแบบได้หรือไม่? ได้ หากหน้าของ PDF ถูกเรนเดอร์เป็นภาพและโมเดล Claude ที่ใช้รับอินพุตเป็นภาพ render_page จะสร้างภาพนั้นในเครื่องและส่งกลับไปยังไคลเอนต์

ฉันต้องอัปโหลดเอกสารไปที่ไหนเพื่อเรนเดอร์หรือไม่? เซิร์ฟเวอร์อ่านไฟล์จากโฟลเดอร์ที่คุณเมานท์และเขียนภาพไว้ข้างไฟล์; เอกสารไม่ได้ถูกอัปโหลดโดยเซิร์ฟเวอร์ ภาพหน้าจะถูกส่งไปยังโมเดลของเอเจนต์ของคุณ

มันทำงานกับ Excel และ PowerPoint ได้หรือไม่ ไม่ใช่แค่ PDF? ได้ PowerPoint จะเรนเดอร์หนึ่งภาพต่อสไลด์ และแผ่นงาน Excel จะถูกแบ่งเป็นหน้า โดยจำนวนหน้าจะมองเห็นได้ผ่าน get_view_info

ไปลึกกว่า