An AI 代理可以读取 PDF 中的图表，或读取没有文本层的扫描页，只要先将页面渲染为图像。GroupDocs.Viewer.Mcp 服务器在本地机器上进行渲染，并将 PNG 交给 Claude、Cursor 或 GitHub Copilot，具备视觉能力的模型读取该图像：

在年度报告的第 7 页有一个收入图表。每个季度的数字是多少？

带有配置和故障排除的逐步版本在文档中：如何让 AI 代理读取图表、示意图和扫描页

情况：答案仅以图片形式存在

你打开一份年度报告，所需的数字是条形的高度。你打开一份来自扫描仪的合同，PDF 没有可选文本。你打开一张幻灯片，决策以图示箭头呈现。使用提取文本的代理在这三种情况下都找不到任何内容，因为没有可提取的字符。信息是真实的，而且是绘制出来的。

代理可以从渲染页面读取哪些内容？

  • 图表和图形。 数值、趋势、标签和图例。
  • 扫描页。 由扫描仪生成的 PDF 是页面的图片。图像是唯一的入口。
  • 印章、签名和手写。 页面是否已签名，以及印章上写了什么。
  • 布局问题。 “标志在页眉吗？”或 “这张幻灯片是否溢出？”

这些都是关于页面外观的提问。渲染后的图像可以直接回答它们。

步骤 1：在不渲染文档的情况下查找页面

不应对整份长报告进行完整渲染来寻找单个图表。请让代理以低成本定位页面：

报告共有多少页？渲染目录页并告诉我收入图表所在的位置。

代理调用 get_view_info 以获取页数，然后对目录页调用 render_page。这只需两次小调用，而不是五十次渲染。每个渲染的页面以内联 PNG 返回，通常只有几百千字节，因此节省是真实的。

步骤 2：渲染页面并读取

已知页码后，代理对该页调用 render_page 并将图像传递给模型。图像还会保存为 <name>_page<N>.png，因此你可以自行打开相同的图片并与答案进行对比。

步骤 3：询问模型的置信度

读取第 7 页的收入图表。说明哪些数值是确定的，哪些是根据条形高度估算的。

模型读取图像时可能会误读小数字或模糊的扫描。对于用于决策的数值，请让代理说明其置信度，然后核对来源。

示例会话

基于文档行为的示例说明，并非实际截图。方括号内的文本代表模型从图像中读取的内容。

你:   在 annual-report.pdf 的第 7 页有一个收入图表。每个季度的数字是多少？请说明你的置信度。

代理: [调用 get_view_info 于 annual-report.pdf，然后使用 page = 7 调用 render_page]
       ‘annual-report.pdf’ 的第 7 页已保存至：<output folder>/annual-report_page7.png
       图表显示 [从图像读取的季度数字]。
       图表上打印的数值： [列表]。根据条形高度估算的数值： [列表]。

为什么不使用 OCR？

渲染并非 OCR。OCR 将图像转换为文本；此方式将图像直接提供给模型，让其解释其中的内容，包括非文本部分。服务器不会从扫描件生成已验证的文本。如果需要可搜索的文本层，需要使用其他工具进行单独的步骤。

真实限制

  • 读取是一种解释，而非提取。 模型可能误读小数字、模糊的扫描或拥挤的图例。渲染并不会将扫描件转化为已验证的文本。
  • 模型必须接受图像输入。 对于仅支持文本的模型，代理可以传递已保存的 PNG 路径，但无法告知图表内容。
  • 评估水印。 未授权时，每个渲染的页面都会带有评估水印，覆盖在页面上，可能隐藏你所询问的细节。服务器进程一次最多打开 15 份文档。请询问 “viewer 服务器是否已授权？” 以便代理在依赖读取结果前调用 get_license_status。
  • 每次调用仅限一页，仅支持 PNG。
  • 图像会离开服务器。 它会发送给你的代理及其模型。本地托管的模型会将所有内容保留在机器上；托管模型则在对话中接收图像。

常见问题

Claude 能读取 PDF 中的图表吗？ 如果页面被渲染为图像且所使用的模型接受图像，Claude 可以读取图表。GroupDocs.Viewer.Mcp 使用 render_page 在本地渲染页面并将 PNG 返回给 Claude。

我的扫描 PDF 没有文本，AI 如何读取？ 将页面渲染为图像并提供给具备视觉能力的模型。模型读取图片而非文本层，重要数字的读取结果应进行核对。

这与从图表图像中提取数据相同吗？ 不是。模型仅描述并估算所见内容；它不会返回精确的底层数据。当精确数值重要时，请使用源电子表格。

深入了解