3 results
通过三方多模态 API 为纯文本 LLM 提供图像理解与文档理解能力（OCR、表格、公式、 版面解析、PDF/扫描件→Markdown、截图/照片/图表问答）。使用场景：用户粘贴或给出 图片/PDF 路径时解读内容、从文档提取文字与表格、对截图提问、发票/论文/票据解析。 触发词：图片理解、OCR、文档解析、截图内容、PDF 提取、表格识别、公式识别、票据识别、 扫描件、image、vision。实现为 Python 标准库 CLI（urllib/json/base64），零三方依赖。
文档文字识别。用户提供 PDF/扫描件/图片（合同、发票、书页、截图），需要提取文字、转成可编辑文本时使用。扫描件自动 OCR（macOS Vision，中英文）。Document OCR: extract editable text from PDFs, scans, and images (contracts, invoices, book pages, screenshots) via macOS Vision.
use when looking at or acting on Shawn's Windows desktop via cu-dsh (CLI now, MCP later) — pin one window, read the 0-1000 grid map, then click/type/drag by norm or xy. OCR ids optional. Default dry-run; --go only when Shawn said so. Not for the cloud computer screen.