AI‑агент може прочитати діаграму у PDF або відскановану сторінку без текстового шару, якщо сторінка спочатку відображається як зображення. Сервер GroupDocs.Viewer.Mcp виконує це рендеринг локально на вашому комп’ютері і передає PNG Claude, Cursor або GitHub Copilot, а модель, здатна до зору, читає зображення:

На сторінці 7 щорічного звіту є діаграма доходів. Які були цифри за кожний квартал?

Покрокова версія з налаштуваннями та усуненням проблем знаходиться в документації: Як дозволити AI‑агенту читати діаграми, схеми та відскановані сторінки.

Ситуація: відповідь існує лише як зображення

Ви відкриваєте щорічний звіт, і потрібне вам число — це висота стовпчика. Ви відкриваєте контракт, який прийшов зі сканера, і PDF не має виділюваного тексту. Ви відкриваєте слайд, де рішення представлено стрілкою‑схемою. Агент, який працює лише з витягнутим текстом, нічого не знаходить у жодному з цих трьох випадків, бо немає символів для витягування. Інформація реальна, і вона намальована.

Що агент може прочитати з відрендереної сторінки?

  • Діаграми та графіки. Значення, тенденції, підписи та легенди.
  • Відскановані сторінки. PDF, створений сканером, є зображенням сторінки. Зображення — єдиний шлях.
  • Штампи, підписи та рукопис. Чи підписана сторінка, і що написано на штампі.
  • Питання щодо розмітки. «Чи є логотип у шапці?» або «Чи виходить цей слайд за межі?»

Кожне з цих питань стосується того, як виглядає сторінка. Відрендерене зображення відповідає на них безпосередньо.

Крок 1: Знайти сторінку без рендерингу документа

Довгий звіт не варто рендерити повністю, щоб знайти одну діаграму. Попросіть агента знайти сторінку економічно:

Скільки сторінок у звіті? Відрендерте зміст і скажіть, де знаходиться діаграма доходів.

Агент викликає get_view_info, щоб дізнатися кількість сторінок, потім render_page для сторінки змісту. Це два невеликі виклики замість п’ятидесяти рендерів. Кожна відрендерена сторінка повертається як вбудований PNG, зазвичай кілька сотень кілобайт, тому економія реальна.

Крок 2: Відрендерити сторінку та прочитати її

Маючи номер сторінки, агент викликає render_page для цієї сторінки і передає зображення моделі. Зображення також зберігається як <name>_page<N>.png, тож ви можете відкрити те саме зображення самостійно і порівняти його з відповіддю.

Крок 3: Запитати, наскільки впевнений модель

Прочитайте діаграму доходів на сторінці 7. Скажіть, які значення ви впевнені, а які довелося оцінювати за висотою стовпчиків.

Модель, що читає зображення, може помилково розпізнати маленьке число або блідий скан. Для цифр, що впливають на рішення, попросіть агента вказати свою впевненість, а потім перевірте джерело.

Приклад сеансу

Ілюстрація, заснована на задокументованій поведінці, а не на реальному скріншоті. Текст у дужках означає, що модель прочитала з зображення.

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].

Чому не OCR?

Рендеринг не є OCR. OCR перетворює зображення в текст; цей шлях передає модель зображення і дозволяє їй інтерпретувати те, що на ньому є, включаючи частини, які не є текстом. Сервер не створює підтверджений текст зі скану. Якщо потрібен пошуковий текстовий шар, це окремий крок з окремим інструментом.

Чесні обмеження

  • Читання — це інтерпретація, а не витяг. Модель може помилково розпізнати маленьке число, блідий скан або переповнену легенду. Рендеринг не перетворює скан у підтверджений текст.
  • Модель повинна приймати зображення як вхід. При текстовій моделі агент може передати шлях до збереженого PNG, але вона не зможе сказати, що показує діаграма.
  • Оцінний водяний знак. Без ліцензії кожна відрендерена сторінка містить оцінний водяний знак, який накладається на сторінку і може приховати деталь, яку ви запитували. Серверний процес також відкриває не більше 15 документів одночасно. Запитайте «Чи ліцензований сервер переглядача?», щоб агент викликав get_license_status перед тим, як ви покладетеся на його читання.
  • Одна сторінка за виклик, лише PNG.
  • Зображення залишає сервер. Воно надходить вашому агенту та його моделі. Локально розгорнута модель тримає все на машині; хостована модель отримує зображення як частину розмови.

Питання та відповіді

Чи може Claude прочитати діаграму у PDF? Claude може прочитати діаграму, якщо сторінка відрендерена в зображення, а використана модель приймає зображення. GroupDocs.Viewer.Mcp рендерить сторінку локально за допомогою render_page і повертає PNG Claude.

Мій відсканований PDF не містить тексту, як AI може його прочитати? Відрендерте сторінку в зображення і передайте його моделі, здатній до зору. Модель читає картинку, а не текстовий шар, і її читання слід перевіряти для важливих цифр.

Чи це те саме, що витяг даних з зображення діаграми? Ні. Модель описує та оцінює те, що бачить; вона не повертає точні вихідні дані. Використовуйте вихідну електронну таблицю, коли потрібна точність значень.

Поглибити