An AI 代理可以閱讀 PDF 中的圖表，或是沒有文字層的掃描頁面，只要先將頁面渲染為圖像。GroupDocs.Viewer.Mcp 伺服器會在您的機器上本地執行此渲染，並將 PNG 交給 Claude、Cursor 或 GitHub Copilot，具備視覺能力的模型會讀取該圖像：

在年度報告的第 7 頁有一個營收圖表。每個季度的數字是多少？

步驟說明與設定、故障排除請參考文件：如何讓 AI 代理閱讀圖表、示意圖和掃描頁面

情況：答案僅以圖片形式存在

您打開年度報告，所需的數字是條形的高度。您打開一份掃描而來的合約，PDF 沒有可選取的文字。您打開一張投影片，決策資訊是一個圖示箭頭。依賴提取文字的代理在這三種情況下都找不到任何內容，因為沒有可提取的字元。資訊是真實的，只是以圖形呈現。

代理可以從渲染的頁面讀取什麼？

  • 圖表與圖形。 數值、趨勢、標籤與圖例。
  • 掃描頁面。 由掃描器產生的 PDF 是頁面的圖片。圖像是唯一的入口。
  • 印章、簽名與手寫。 判斷頁面是否已簽署，以及印章上寫了什麼。
  • 版面問題。「標誌在頁首嗎？」或「此投影片是否超出範圍？」

這些都是關於頁面外觀的問題。渲染出的圖像可以直接回答。

步驟 1：在不渲染整份文件的情況下找到頁面

長篇報告不應該全部渲染才找出一個圖表。請代理以低成本定位頁面：

報告共有多少頁？渲染目錄頁並告訴我營收圖表位於哪裡。

代理會呼叫 get_view_info 取得頁數，然後對目錄頁執行 render_page。這只需要兩次小呼叫，而不是五十次渲染。每個渲染的頁面以內嵌 PNG 回傳，通常只有幾百 KB，節省效果顯著。

步驟 2：渲染頁面並閱讀

取得頁碼後，代理呼叫 render_page 取得該頁的圖像，並將圖像傳給模型。圖像同時會儲存為 <name>_page<N>.png，您可以自行開啟同一張圖片與答案進行比對。

步驟 3：詢問模型的確信程度

閱讀第 7 頁的營收圖表。說明哪些數值是確定的，哪些是根據條形高度估算的。

模型在讀取圖像時可能會誤讀小數字或模糊掃描。對於決策所需的數字，請讓代理說明其信心程度，然後自行核對來源。

範例會話

以下示意基於文件行為，非實際截圖。方括號內的文字代表模型會從圖像中讀取的內容。

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].

為什麼不使用 OCR？

渲染不是 OCR。OCR 將圖像轉換為文字；此流程直接將圖像交給模型，讓模型自行解讀，包括非文字的部分。伺服器不會從掃描件產生驗證過的文字。如果需要可搜尋的文字層，需另行使用其他工具。

誠實的限制

  • 閱讀是詮釋，而非提取。 模型可能會誤讀小數字、模糊掃描或擁擠的圖例。渲染不會將掃描件轉換為驗證過的文字。
  • 模型必須接受圖像輸入。 若使用僅支援文字的模型，代理只能傳遞已儲存的 PNG 路徑，卻無法告訴您圖表內容。
  • 評估水印。 未取得授權時，每個渲染的頁面都會帶有評估水印，覆蓋在頁面上，可能隱藏您想要的細節。伺服器同時最多只能開啟 15 份文件。請先詢問「viewer server 是否已授權？」讓代理呼叫 get_license_status 後再依賴其讀取結果。
  • 一次只能渲染單頁，僅支援 PNG。
  • 圖像會離開伺服器。 圖像會傳送至您的代理與其模型。本地部署的模型會將所有資料保留在機器上；雲端模型則會在對話中接收圖像。

常見問題

Claude 能閱讀 PDF 中的圖表嗎？ Claude 能閱讀圖表，只要頁面先渲染為圖像且所使用的模型支援圖像。GroupDocs.Viewer.Mcp 會使用 render_page 在本地渲染頁面，並將 PNG 回傳給 Claude。

我的掃描 PDF 沒有文字，AI 怎麼讀取？ 將頁面渲染為圖像，並將圖像交給具視覺能力的模型。模型會閱讀圖片而非文字層，重要數字的閱讀結果需自行核對。

這與從圖表圖像中提取資料相同嗎？ 不相同。模型僅描述並估算所見內容，並不返回精確的底層資料。若需要精確數值，請使用原始試算表。

深入了解