ferocknew OCR 工具（ocr_tool）
对图片做文字识别，按优先级决策：LLM 能直接读图时就用 LLM，读不了才走系统 OCR 引擎。
| 引擎 | 系统 | 依赖 |
|---|---|---|
| LLM 视觉（Claude） | 任意 | 无，模型自带 |
| Apple Vision（Swift） | macOS | Xcode CLT（swift 可用） |
| 快捷指令 | macOS（无 CLT） | 一次性建 1 条快捷指令 |
| tesseract.js（node） | Windows | 首次 npm install |
决策流程（按优先级从上到下）
拿到图片后按下述顺序判断，命中即执行、不再继续：
LLM 直接识别：当前模型有视觉能力，先直接读图，提取图片中的文字/内容返回。
- 能识别 → 直接用 LLM 结果，不调用任何 OCR 命令
- 不能识别（模型读图失败、图片未被加载、或用户明确要求纯文本文件产物）→ 进入第 2 步
判断操作系统：
uname -sDarwin→ macOS，进入第 3 步MINGW*/MSYS*→ Windows，走 tesseract.js 分支
macOS 检查 Xcode CLT（决定主方案还是兜底）：
command -v swift >/dev/null 2>&1 && swift --version >/dev/null 2>&1 && echo CLT_OK- 输出
CLT_OK→ Apple Vision 主方案 - 无输出 → 快捷指令兜底，或提示
xcode-select --install
- 输出
图片落盘（走 OCR 前必须）
对话中的图片必须先落盘到临时目录，再对文件执行识别，不可直接对内存图片操作。
cp <对话中的图片路径> /tmp/ocr_input.png # 保留原扩展名
ls -l /tmp/ocr_input.png # 确认存在后再识别
macOS 分支
主方案：Apple Vision（推荐）
swift <skill目录>/bin/ocr_vision.swift /tmp/ocr_input.png
swift <skill目录>/bin/ocr_vision.swift /tmp/ocr_input.png --langs zh-Hans,en-US --json
- 输出按阅读顺序（自顶向下、从左到右），默认纯文本，
--json含置信度。 - 支持 PNG/JPEG/HEIC/TIFF 等 ImageIO 可解码格式。
- 首次运行编译约 1 秒，之后走系统缓存。
兜底方案：快捷指令（无 CLT 时）
- 一次性手动设置（约 30 秒）：打开"快捷指令"App → 新建 → 添加动作 "提取图像中的文本"（Extract Text from Image）→ 保存，命名为
OCR。 - 之后用命令行调用：
shortcuts run "OCR" --input /tmp/ocr_input.png
Windows 分支
node <skill目录>/run.js /tmp/ocr_input.png --langs chi_sim+eng
- 首次使用需安装依赖：
cd <skill目录> && npm install - 首次识别自动下载语言包（chi_sim 约 22MB），之后复用
- 默认中文 + 英文同时识别
命令总表
| 命令 | 说明 |
|---|---|
swift bin/ocr_vision.swift <图片> |
macOS：识别纯文本 |
swift bin/ocr_vision.swift <图片> --json |
macOS：识别并输出 JSON（含置信度） |
swift bin/ocr_vision.swift <图片> --level fast |
macOS：快速模式（更快、精度略低） |
swift bin/ocr_vision.swift <图片> --langs en-US |
macOS：指定识别语言 |
swift bin/ocr_vision.swift <图片> --conf 0.5 |
macOS：过滤低置信度结果 |
shortcuts run "OCR" --input <图片> |
macOS 无 CLT 兜底：识别 |
node run.js <图片> |
Windows：识别纯文本（默认 chi_sim+eng） |
选项说明
--level：accurate（默认，更准）|fast（更快）--langs：逗号分隔语言列表。macOS 默认zh-Hans,en-US；Windows 默认chi_sim+eng--json：仅 macOS。输出含文本、坐标、置信度的结构化结果--conf：仅 macOS。只保留置信度 ≥ 该值的文本行
常见问题
什么时候用 LLM 直接识别，什么时候用 OCR？ 模型能直接看到图片时优先 LLM（最快、无依赖）；仅当模型读不到图片、图片无法加载、或用户要求把文字落成纯文本文件时，才走 OCR。
识别结果顺序乱？ macOS 主方案已按阅读顺序重排；Windows（tesseract.js）按引擎原始顺序返回。
macOS 提示 swift/xcrun 不可用？ 说明未装 Xcode CLT，走兜底方案，或执行 xcode-select --install（Apple 官方，一次性）。
Windows 提示 tesseract.js 未找到？ 先 cd <skill目录> && npm install。
图片识别为空？ 确认图片已落盘且非空图；手写体/艺术字识别率低于印刷体，建议清晰大图。