ocr-extract（场景层：OCR 文字/表格 → Markdown）

把图片中的文字逐字、无损提取为结构化 Markdown。核心是"原文第一"：不改写、 不总结、不翻译，只转录 + 按结构整理（标题 / 正文 / 代码 / 表格）。

触发场景

• 截图 / 扫描件 / 文档图 / 聊天记录 / 长截图，需要里面的文字
• "表格转 markdown"、"OCR"、"把文字提取出来"、"转录这个截图"
• 上一轮视觉模型回答太抽象、需要逐字底稿时

工作流

预处理：

• 最长边 >1400px 先缩到 1400（JPEG q88）——大图+长 prompt 会 HTTP 500。若文字太 小看不清，不要硬缩：改用 glance --region 分块读，或用 long-ocr。
• 先 glance <图> -q "图上有哪些文字内容类型？有没有表格/代码/列表？大概多长？" 快速判断该走哪条路。

分支 A — 普通图/单屏（绝大多数情况）

glance "<图>" --ocr                # 逐字转录全部可见文字

若图含表格或结构复杂，追加结构化转录（关键 prompt，勿省）：

glance "<图>" -q "<结构化转录 prompt，见下>"

分支 B — 长截图 / 滚动页 / 聊天记录（高度远大于宽度，或内容多屏）

long-ocr "<图>" -o "<输出>.ocr.md"                 # 普通长图
long-ocr "<图>" --mode chat --resume -o "<输出>.ocr.md"   # 聊天记录（JSON 结构化）

分支 C — 文字太小，全图读不清

ground "<图>" "<包含该文字的元素/区域>"            # 先定位
crop "<图>" --region X1,Y1,X2,Y2 -o "<局部>.png"   # 切成文件
glance "<局部>.png" --ocr                            # 对放大的局部 OCR

结构化转录 prompt（喂给 glance 的 -q）

把这张图里的所有文字逐字转录成 Markdown，遵守：

1. 原文第一：逐字照抄，不改写、不翻译、不总结、不补字；拼写错误也照抄
2. 保留结构：标题用 #，正文用段落，代码块用 ```，列表用 -
3. 表格逐个枚举，一个都不能漏：这张图里有几个表格？请把【每一个】表格都分别转成 Markdown 表格输出，标注"表格1""表格2"……每个表格的数字逐格照抄，不要改写
4. 若图上没有表格，明确说"无表格"；没有代码，就无需代码块
5. 最后用一行列出你识别到的全部文字块数量，供校对

输出格式

# OCR 提取结果
来源：<图片路径>
处理方式：<glance --ocr / long-ocr / 区域 OCR>

<转录的正文 Markdown 全文>

### 表格
**表格1**：<表头说明>
| 表头 | ... |
| --- | --- |
| <逐格照抄> | ... |

### 校对提示
- 疑似漏读/不清区域：<如有>

工具

• glance --ocr / glance -q（结构化转录）、long-ocr（长截图/聊天）
• ground / crop（局部放大再读）
• 出错时如实报告，绝不补全看不清的字。

已知边界（实测）

• 单屏整页 OCR 对"上半部分"内容准；多表格页面可能漏掉靠下的表——必须用上面的 prompt 第 3 条显式枚举所有表格，否则模型常只转录第一个表
• 表格数字校对：模型可能顺手"修正"错别字/数字，转录后如用途敏感，逐格核对
• 聊天记录用 long-ocr --mode chat，它按气泡分消息并保留昵称

Source: 基于 vision-core（上游 agent-vision-toolkit）+ 实测发现的 prompt 改进