ARTICLE · 1154198

给 Claude 和 OpenClaw 装上＂火眼金睛＂:OCR 部署实操手册

发布时间：2026-10-11 02:29:25 最近访问：2026-10-11 02:29:26

你有没有试过把一份扫描版 PDF 丢给 Claude，结果它老老实实回你一句："抱歉，我无法读取图片内容"？

或者更现实一点的场景：你用 OpenClaw 跑了个自动回单机器人，结果客户发来一张发票截图，机器人回了一句"请发送文字消息"——订单就这么黄了。

这件事本质上是个老问题：现在的 AI 默认是个"文字动物"。LLM 训练时主要吃的是纯文本，能"看"图是因为另外接了视觉模型，但即便是最强多模态模型，遇到下面三类东西也容易翻车：

类型	为什么 AI 经常翻车
扫描版 PDF	整页是图，不是文字层
手机截图、发票、合同照片	包含手写字、印章、表格、倾斜
长文档（整本专著）	多模态上下文窗口塞不下

OCR（光学字符识别）就是给 AI 装上"眼睛"。装上之后，Claude 能直接读扫描版 PDF，OpenClaw 能自动解析客户截图，整本法律卷宗一次性转 Markdown——你不再需要手动敲一遍。

这篇文章就把"装眼睛"这件事彻底讲清楚：为什么装、装完能干什么、怎么装、有哪些坑。不管你用的是 Claude Desktop 还是 OpenClaw，看完都能照着做。

一、OCR + AI 的想象空间

先说价值，因为不是所有人都清楚"OCR 接 AI"这件事的想象空间。5 类典型场景：

🔍 扫 PDF 直接问答 — 丢一份扫描版合同给 Claude，直接问"违约条款在哪一页？"
📱 截图自动识别 — OpenClaw 自动把客户发来的发票转成结构化数据入库
🖼️ 批量处理图片 — 一次给 50 张产品图，自动提取 SKU 和价格
📚 整本专著解析 — 一本 500 页的法律卷宗一次性转 Markdown
🔎 跨模态检索 — 把所有历史截图建索引，让 AI"记起"任何一张图里的内容

一句话总结：OCR 不只是"识别文字"，它是把 AI 从文字工作者变成全模态助理的关键拼图。

二、两个 OCR 引擎怎么选？

OCR 后端不是装一个就行——选错了等会白忙活。两个主流选项定位完全不同：

引擎	定位	适合场景	硬件要求
PaddleOCR（百度开源）	通用 OCR 主力	扫描 PDF、截图、表格、公式、版面分析	CPU 也能跑；GPU 更快
Unlimited-OCR（百度新出）	长文档一次性解析	整本专著、法律卷宗、长 PDF	≥24GB 显存（推荐 A100/H100）

💡 选型建议：90% 的场景用 PaddleOCR 就够了；只有遇到"几百页连续扫描的卷宗"才需要上 Unlimited-OCR。

下面重点讲 PaddleOCR 的部署（覆盖 90% 场景），Unlimited-OCR 放在最后一节作为高阶选项。

三、部署 PaddleOCR：两种最常用姿势

PaddleOCR 提供三种部署方式，我们只讲最常用的两种——HTTP 自托管和 Claude Desktop 的 MCP 插件。

姿势 A：本地起一个 HTTP 服务（推荐，所有平台通用）

一行命令起服务：

pip install paddlex paddlex --install servingpaddlex --serve --pipeline PaddleOCR-VL-1.6

跑起来之后，访问服务就能看到 API 文档。

不同场景选不同 pipeline：

Pipeline	干啥用
OCR	纯文字识别（最快）
PP-OCRv5-latin	多语言版（含英文拉丁）
PP-StructureV3	版面 + 表格 + 公式（推荐扫 PDF）
PaddleOCR-VL-1.6	端到端 VLM（精度最高，啥场景都能干）

💡 小白建议：先跑 PaddleOCR-VL-1.6，啥场景都适用；慢了再换轻量版。 🔥 GPU 加速：机器有显卡就加 --device gpu，速度快 5-10 倍。

姿势 B：直接装 MCP 插件（Claude Desktop 用户最快）

如果你只用 Claude Desktop、不打算接 OpenClaw，这是 5 分钟搞定的方案：

pip install paddleocr-mcp

然后编辑 Claude Desktop 配置文件（重启 Claude 生效）：

macOS：~/Library/Application Support/Claude/claude_desktop_config.json
Windows：%APPDATA%\Claude\claude_desktop_config.json
Linux：~/.config/Claude/claude_desktop_config.json

最简配置（用百度 AI Studio 官方 API，零部署）：

{"mcpServers":{"paddleocr":{"command":"paddleocr_mcp","args":[],"env":{"PADDLEOCR_MCP_MODEL":"PaddleOCR-VL-1.6","PADDLEOCR_MCP_PPOCR_SOURCE":"aistudio","PADDLEOCR_MCP_AISTUDIO_ACCESS_TOKEN":"<你的-token>"}}}}

token 去百度 AI Studio 申请，免费的额度日常够用。

接本地自托管服务（数据隐私 / 批量处理用）：

{"mcpServers":{"paddleocr":{"command":"uvx","args":["--from","paddleocr-mcp","paddleocr_mcp"],"env":{"PADDLEOCR_MCP_MODEL":"PaddleOCR-VL-1.6","PADDLEOCR_MCP_PPOCR_SOURCE":"self_hosted","PADDLEOCR_MCP_SELF_HOSTED_BASE_URL":"本机服务地址"}}}}

重启 Claude Desktop，对话框里说"用 OCR 工具把这份 PDF 转成 Markdown"，OCR 工具会自动出现在工具列表里。

四、让 OpenClaw 也能用 OCR

OpenClaw 通过 ~/.openclaw/workspace/skills/<name>/SKILL.md 注册技能（skill）。装一个 OCR skill 只需要写一个文件。

第一步：先按姿势 A 起好 PaddleOCR 服务

paddlex --serve --pipeline PP-StructureV3 --port 8080

（保持后台运行，或用 tmux / screen 挂起）

第二步：写一个 skill

mkdir -p ~/.openclaw/workspace/skills/paddleocr-ocr

新建文件 ~/.openclaw/workspace/skills/paddleocr-ocr/SKILL.md：

name: paddleocr-ocrdescription: 调用本地 PaddleOCR 服务对图片/PDF 做 OCR 或版面解析metadata:  openclaw:    requires:      bins: [curl, jq]      env: [PADDLEOCR_BASE_URL]    primaryEnv: PADDLEOCR_BASE_URL调用本机 PaddleOCR 服务。## 用法- 把图片/PDF base64 编码- POST 到 /predict/ocr_system- 返回 Markdown / JSON 结果

第三步：让 OpenClaw 加载它

openclaw doctor  # 验证配置

重启后，OpenClaw 对话里直接说"用 paddleocr-ocr 解析这张扫描件"就会自动触发。

五、高阶场景：整本专著用什么？

如果你的场景是"几百页扫描 PDF 一次性转 Markdown"（法律卷宗、古籍数字化、学术专著），PaddleOCR 会比较慢，这时候上 Unlimited-OCR。

它没有 MCP，需要起 vLLM 或 SGLang 暴露 OpenAI 兼容 API，然后用 OpenClaw skill 包一层。

启动 Unlimited-OCR（vLLM）

docker pull vllm/vllm-openai:unlimited-ocrdocker run -dp 8000:8000 vllm/vllm-openai:unlimited-ocr \  --model baidu/Unlimited-OCR --port 8000 \  --enable-custom-logit-processor

OpenClaw skill（节选）

~/.openclaw/workspace/skills/unlimited-ocr/SKILL.md：

name: unlimited-ocrdescription: 调用本地 Unlimited-OCR 服务做长文档一次性解析调用本机 Unlimited-OCR 服务。## 注意- 长 PDF 用提示词 "Multi page parsing."- 显存：≥24GB，Hopper（A100/H100）体验最佳

⚠️ 坑提醒：启 vLLM 时务必保留 --enable-custom-logit-processor，否则长文档会出现"无限循环重复"的乱码。

六、常见坑 FAQ

Q1：装完 paddleocr-mcp，Claude 工具列表里没出现？ A：检查 JSON 格式（逗号、引号），然后完全退出 Claude Desktop 再开（不是关窗口，要从菜单退出）。

Q2：报错 Connection refused？ A：PaddleX 服务没起来。重新跑服务，确认能看到正常运行字样。

Q3：识别中文乱码？ A：模型换成 PP-OCRv5 系列，别用 PP-OCRv5-latin（只支持拉丁字母）。

Q4：扫 PDF 转出来版式全乱了？ A：换成 PP-StructureV3 或 PaddleOCR-VL-1.6 pipeline，这两个专门处理版面。

Q5：Unlimited-OCR 跑得慢 / 重复？ A：显存不够；或漏了 --enable-custom-logit-processor。

Q6：OpenClaw skill 不生效？ A：跑 openclaw doctor 看诊断；检查 SKILL.md 路径是否在正确目录下；完全重启 OpenClaw daemon。

七、选型速查表

你的场景	推荐方案	一句话说明
Claude Desktop 个人/小团队，零部署	paddleocr-mcp + AI Studio API	5 分钟搞定，免费额度够用
Claude Desktop 自托管（数据隐私 / 批量）	paddlex --serve + paddleocr-mcp self_hosted	起一个本地服务，全家通用
OpenClaw 通用 OCR	paddlex --serve + OpenClaw skill	起服务，写 30 行 skill
OpenClaw 长文档 / 法律卷宗	Unlimited-OCR vLLM + skill	显存要求高，按需启用
多频道（飞书/微信/Telegram）触发 OCR	OpenClaw skill + 自托管服务	OpenClaw 负责转发，OCR 做后台

写在最后

OCR 不只是"识别文字"那么简单——它是把 AI 从"文字工作者"变成"全模态助理"的关键拼图。

装上之后，你会发现很多以前得手动做的事突然自动化了：扫描件直接问答、截图自动入库，长文档一次性消化。Claude + OpenClaw 加 OCR，等于给你的 AI 工作流装上眼睛。

下一步建议：

先按第三节起好 PaddleOCR 服务（5 分钟）
再装 paddleocr-mcp 或写 OpenClaw skill（10 分钟）
找个真实场景试一下——把最近的一份扫描 PDF 丢给 Claude