Bir AI ajanı, bir PDF’deki grafiği veya metin katmanı olmayan taranmış bir sayfayı, sayfa önce bir görüntü olarak render edilirse okuyabilir. GroupDocs.Viewer.Mcp sunucusu bu renderlamayı yerel olarak makinenizde yapar ve PNG’yi Claude, Cursor veya GitHub Copilot’a verir ve görüntü‑kabiliyetli bir model görüntüyü okur:

Yıllık raporun 7. sayfasında bir gelir grafiği var. Her çeyrek için rakamlar neydi?

Adım adım yapılandırma ve sorun giderme sürümü belgelerde bulunabilir: AI ajanının grafik, diyagram ve taranmış sayfaları okuması nasıl yapılır.

Durum: yanıt yalnızca bir resim olarak mevcut

Bir yıllık raporu açtığınızda ihtiyacınız olan sayı bir çubuk yüksekliği olarak bulunur. Tarayıcıdan gelen bir sözleşmeyi açtığınızda PDF’de seçilebilir metin yoktur. Kararın bir diyagram oku olduğu bir slaytı açtığınızda da aynı durum geçerlidir. Metin çıkarımı yapan bir ajan bu üç durumda da hiçbir şey bulamaz, çünkü çıkarılacak karakter yoktur. Bilgi gerçek ve çizilidir.

Renderlanmış bir sayfadan ajan ne okuyabilir?

  • Grafikler ve çizelgeler. Değerler, eğilimler, etiketler ve açıklamalar.
  • Taranmış sayfalar. Tarayıcıyla oluşturulmuş bir PDF, bir sayfanın resmidir. Görüntü tek giriş yoludur.
  • Mühürler, imzalar ve el yazısı. Sayfanın imzalı olup olmadığı ve bir mührün ne söylediği.
  • Düzen soruları. “Logo başlıkta mi?” ya da “Bu slayt taşma yapıyor mu?”

Bunların her biri sayfanın nasıl göründüğüyle ilgili bir sorudur. Renderlanmış bir görüntü bunları doğrudan yanıtlar.

Adım 1: Belgeyi renderlamadan sayfayı bulun

Uzun bir raporu tek bir grafik bulmak için tamamen renderlamamalısınız. Ajana sayfayı ucuz bir şekilde bulmasını söyleyin:

Rapor kaç sayfa? İçindekiler sayfasını renderla ve bana gelir grafiğinin nerede olduğunu söyle.

Ajan get_view_info çağrısını yaparak sayfa sayısını öğrenir, ardından render_page ile içindekiler sayfasını renderlar. Bu, elli render yerine iki küçük çağrıdır. Her renderlanan sayfa genellikle birkaç yüz kilobaytlık bir satır içi PNG olarak döner, bu yüzden tasarruf gerçek olur.

Adım 2: Sayfayı renderlayın ve okuyun

Sayfa numarası bilindiğinde, ajan o sayfa için render_page çağrısı yapar ve görüntüyü modele iletir. Görüntü aynı zamanda <name>_page<N>.png olarak kaydedilir, böylece aynı resmi kendiniz açıp yanıtla karşılaştırabilirsiniz.

Adım 3: Modelin ne kadar emin olduğunu sorun

Sayfa 7’deki gelir grafiğini oku. Hangi değerlerden emin olduğunuzu ve çubuk yüksekliklerinden tahmin etmek zorunda kaldığınız değerleri söyle.

Bir görüntüyü okuyan model, küçük bir sayıyı ya da soluk bir taramayı yanlış okuyabilir. Karara giden rakamlar için, ajanın güven seviyesini belirtmesini isteyin, ardından kaynağı kontrol edin.

Örnek oturum

Belgelendirilmiş davranışa dayalı bir illüstrasyon, yakalanmış bir ekran görüntüsü değil. Köşeli parantez içindeki metin, bir modelin görüntüden okuyacağı şeyi temsil eder.

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].

Neden OCR değil?

Renderlama OCR değildir. OCR bir görüntüyü metne dönüştürür; bu yol modele görüntüyü verir ve oradaki metin olmayan kısımları da yorumlamasını sağlar. Sunucu bir taramadan doğrulanmış metin üretmez. Aranabilir bir metin katmanı gerekiyorsa, bu ayrı bir adım ve ayrı bir araçla yapılır.

Dürüst sınırlamalar

  • Okuma bir yorumdur, çıkarım değildir. Model küçük bir sayıyı, soluk bir taramayı ya da kalabalık bir açıklamayı yanlış okuyabilir. Renderlama bir taramayı doğrulanmış metne dönüştürmez.
  • Modelin görüntü girişi kabul etmesi gerekir. Sadece metin kabul eden bir modelle ajan kaydedilen PNG yolunu iletebilir, ancak grafiğin ne dediğini size söyleyemez.
  • Değerlendirme filigranı. Lisans olmadan, her renderlanan sayfa üzerine bir değerlendirme filigranı eklenir ve bu, sorduğunuz detayı gizleyebilir. Sunucu aynı anda en fazla 15 belge açar. “Viewer sunucusu lisanslı mı?” diye sorun, böylece ajan get_license_status çağrısını yapar ve okuduklarına güvenmeden önce durum kontrol edilir.
  • Sayfa başına bir çağrı, sadece PNG.
  • Görüntü sunucudan çıkar. Görüntü ajana ve modeline gider. Yerel olarak barındırılan bir model her şeyi makinede tutar; barındırılan bir model ise görüntüyü konuşmanın bir parçası olarak alır.

SSS

Claude bir PDF’deki grafiği okuyabilir mi? Claude, sayfa bir görüntüye renderlandığında ve kullanılan model görüntüleri kabul ettiğinde grafiği okuyabilir. GroupDocs.Viewer.Mcp, sayfayı yerel olarak render_page ile renderlar ve PNG’yi Claude’a döndürür.

Taranmış PDF’imde metin yok, AI nasıl okuyabilir? Sayfayı bir görüntüye renderlayın ve görüntüyü görüntü‑kabiliyetli bir modele verin. Model resmi metin katmanı yerine okur ve önemli rakamlar için okuması kontrol edilmelidir.

Bu, bir grafik görüntüsünden veri çıkarmakla aynı şey mi? Hayır. Model gördüklerini tasvir eder ve tahmin eder; kesin alt veri setini döndürmez. Kesin değerlerin önemli olduğu durumlarda kaynak elektronik tabloyu kullanın.

Daha derine in