Clawdbot Vision API 提供四种 OCR 实现方式：一、直接调用 API 发送图片获取结构化文本及坐标信息；二、先上传图片获 image_id 再异步识别；三、集成 SDK 本地轻量 OCR；四、配置自定义模板提升固定版式文档字段提取精度。

☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 多模态理解力帮你轻松跨越从0到1的创作门槛☜☜☜

如果您希望从图片中自动提取文字和结构化数据，Clawdbot Vision API 提供了基于 OCR 技术的图像文本识别能力。以下是实现该功能的具体操作路径：

一、使用 API 直接发送图片进行 OCR 识别

该方法适用于已有图片文件或图片 URL 的场景，通过 HTTP POST 请求将图像内容提交至 Clawdbot Vision API 端点，服务端完成图像预处理、文本检测与识别，并返回 JSON 格式的结构化结果。

1、准备一张清晰的 JPG 或 PNG 格式图片，确保文字区域无严重倾斜、遮挡或低对比度问题。

2、构造 HTTP POST 请求，设置请求头 Content-Type 为 multipart/form-data，并在表单字段中添加 image 字段，值为图片二进制流。

3、向 https://api.clawdbot.com/v1/ocr 发起请求，携带有效的 API Key（需在请求头中添加 Authorization: Bearer <your_api_key>）。

4、接收响应体，解析 JSON 中的 text 字段获取完整识别文本，同时读取 blocks、lines、words 数组以获得坐标、置信度及层级结构信息。

二、上传图片至临时存储后调用 OCR 接口

当图片体积较大或需复用同一张图多次识别时，可先上传至 Clawdbot 提供的临时对象存储空间，获得唯一 image_id，再以此 ID 异步触发 OCR 任务，避免长连接阻塞。

1、向 https://api.clawdbot.com/v1/upload 发起 POST 请求，上传图片并获取返回的 image_id 和 expires_at 时间戳。

2、使用上一步获得的 image_id，向 https://api.clawdbot.com/v1/ocr/by-id 发起 GET 请求，附带 Authorization 头。

3、检查响应状态码：若为 202，表示任务已入队；等待数秒后重试，直至返回 200 并包含 results 字段。

4、从 results.text 获取纯文本输出，从 results.entities 提取识别出的电话、日期、金额等预定义实体类型。

三、集成 SDK 在本地环境执行轻量 OCR

Clawdbot 提供 Python 和 JavaScript 官方 SDK，内置离线 OCR 模型（仅支持英文与简体中文），适用于对延迟敏感或网络受限的终端设备，无需上传原始图片至云端。

1、执行 pip install clawdbot-vision（Python）或 npm install clawdbot-vision（Node.js）完成 SDK 安装。

2、初始化客户端实例，传入本地模型路径（SDK 自动下载默认模型至 ~/.clawdbot/models/）。

3、调用 client.ocr_from_file("invoice.jpg") 方法，输入本地图片路径，返回包含 bounding_box、text、confidence 的字典列表。

4、遍历结果列表，筛选 confidence 值大于 0.85 的条目以保障识别可靠性。

四、配置自定义模板提升结构化字段提取精度

针对发票、身份证、营业执照等固定版式的文档，可通过上传样例图片与标注字段位置的方式创建专属 OCR 模板，使 API 在识别时优先匹配该布局，显著提升关键字段如“纳税人识别号”、“有效期至”的定位与抽取准确率。

1、登录 Clawdbot 控制台，进入 Vision → Templates 页面，点击“新建模板”。

2、上传三张以上同类型文档图片，在界面中手动框选“姓名”“地址”“金额”等目标区域，并为每个框指定字段名称和数据类型。

3、保存模板后获取 template_id，后续调用 OCR 接口时在请求体中加入 template_id 字段。

4、响应中将新增 fields 对象，其中每个键对应所标注的字段名，值为识别出的标准化文本，例如 "tax_id": "91110000MA00123456"。