微积分也很想学会的 AI 工具介绍和办公小技巧(五):让 AI 读懂扫描件

上次被 DeepSeek 气炸毛了，起因在于我平时让它读文件读的好好的，某天突然跟我说它没有读图的能力所以要我自己去看扫描PDF的内容再给它反馈。

倒反天罡！他是老板我是老板？

看了一下设置是因为我为了省点积分用的是自己的 DeepSeek API。

一怒之下向DeepSeek老师提问：为什么Workbuddy自带的DeepSeek能阅读扫描PDF，官方网页也能阅读，但是我官方API接入的版本不行？

答案太长，但总结一下就是，（当前的）DeepSeek的API是纯文本模型，所以我的API没办法阅读；而Workbuddy内置了一个预处理引擎，在本地完成 PDF 的文字提取后再给DeepSeek发过去。

再翻译一下：为了处理这些非纯文本的材料，它会多花一些token。

抠抠搜搜的本人开始寻找能够单独完成把非文本内容转文本的工具，即OCR工具。

其实OCR平时大家用的也很多，微信截图提取、白描app、apple设备长按图片提取等等，但用途大多是对图片，而不是PDF甚至是一大文件夹的PDF。

最后试了三种办法：把 PaddleOCR 装在电脑上，让 Agent 本地调用；使用 PaddleOCR 提供的免费在线 API；以及调用按量付费的 GLM-OCR。前一种不需要上传文件，后两种省去了本地安装，但文件会被发送到云端。

一、PaddleOCR 本地安装

可以直接让AI自己安装：

请查阅 PaddleOCR-VL 当前官方文档，在本机独立环境安装相互兼容的稳定版 PaddlePaddle 和含 doc-parser 组件的 PaddleOCR，不使用测试版。安装和下载模型可以联网，但处理文件时必须调用本地完整文档解析模型，不得上传文件或使用云端 API。安装后记录版本，用无客户信息的 PDF 测试并保存为 Markdown。测试成功后生成固定调用脚本。以后我说“本地 OCR”时，直接处理指定的 PDF、JPG 或 PNG，结果存入单独文件夹，不修改原文件。

安装可能需要等比较长的一段时间，需要下载和配置。

优点是不上传服务器，识别和文件处理均在电脑本地进行；本地版没有按页收费和调用次数限制，能处理多少主要看电脑性能。文件越长、版面越复杂，耗时和内存占用越高。

缺点在于安装和使用电脑配置要求高。我本地安装过程中内存调用峰值9GB，不包含缓存和临时文件占用存储空间3-4GB，CPU需要支持 AVX 指令集。所以一些内存小于16GB的电脑或者CPU过于古老的电脑可能没法装。

二、PaddleOCR线上API调用（免费）

飞桨AI Studio：https://aistudio.baidu.com/paddleocr

需要先获取一个令牌

获取令牌之后回到API调用的界面，令牌已经被自动填充了，直接复制代码，把这段代码喂给Agent工具，让它写一个调用的脚本。

三、GLM-OCR（轻度付费）

智谱开放平台：https://open.bigmodel.cn/

费用 0.2元/百万token

测试使用的一张 A4 大小截图，约 1306 tokens → 费用 ≈ 0.00026元

官方量级参考：1 元约可处理2000张A4扫描图

先生成一个API key

然后让AI写一个GLM-OCR工具的调用脚本，注意这里需要区分智谱OCR服务和GLM-OCR模型，测试的时候可以提醒AI注意接入端口。

注意：

我直接把API key / 令牌发给了AI让它写，因为我账号里没两毛钱，脚本也不会联网发送只是本地调用，暂时没出过问题。担心安全性可以先把API key添加到环境变量再通过脚本调用。
Paddle OCR的API调用精准度不错，但是使用过程中断联率较高，胜在不花钱且一天能读20000页，要什么自行车。
PaddleOCR API 接入和 GLM-OCR 都是云端服务。调用时，文件会发送到服务商服务器，可以根据需要选择。如果材料不能离开本机，可以安装本地部署的OCR工具。
以上仅限于本人使用过的工具，另有一些其他的，比如Umi-OCR（目前仅支持Windows、Linux），可以自行了解；Mac办公选手并未实际测试，所以不在本文展开。