QClaw图像识别需四步强化：一启用ClawHub OCR技能；二用OpenCV预处理提升图像质量；三切换Kimi-2.5增强模型实现多模态理解；四对接腾讯云OCR API完成专业文档结构化抽取。
☞☞☞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☜☜☜
如果您在使用QClaw处理截图、板书、发票或科研论文图像时，发现文字提取不全、公式错位、图文关系混乱或关键信息遗漏，则可能是由于未激活多模态理解能力、未适配专用模型或未执行图像预处理。以下是验证与强化QClaw图片识别与理解能力的多种方法：
一、启用ClawHub OCR技能并验证基础识别能力
QClaw默认不内置OCR引擎，必须通过ClawHub技能商店加载OCR插件，该插件封装PaddleOCR Lite或Tesseract轻量版，提供端侧文字定位与转录能力，是所有图像理解任务的前提条件。
1、确保QClaw客户端已启动且微信绑定成功。
2、在微信中向“龙虾”发送指令：请帮我安装 OCR 文字识别技能。
3、等待系统返回“OCR技能安装完成，模型文件已缓存至本地”提示。
4、立即发送测试图（如含中文段落的课件截图），并输入指令：识别这张图里的全部文字，保留原有换行和标点。
5、比对返回结果与原图文字是否一致，重点检查数字、括号、顿号及中英文混排字符是否完整。
二、调用OpenCV预处理提升图像可识别性
原始图像若存在倾斜、低对比度、背景噪点或局部模糊，将导致OCR引擎无法准确定位文本行，进而引发漏字、断行或乱码。QClaw支持实时调用本地OpenCV库执行三步增强，显著改善输入质量。
1、在微信中先发送：对下一张图执行灰度化+高斯模糊+自适应阈值二值化。
2、紧接着发送待处理图像（如手写板书照片）。
3、QClaw自动完成cv2.cvtColor、cv2.GaussianBlur、cv2.adaptiveThreshold操作，并生成中间增强图。
4、再发送指令：识别上一步增强后的图像文字，并标注每段文字所在区域坐标。
5、检查返回结果中是否包含(x,y,w,h)格式的文本框定位信息，确认是否实现像素级文本区域识别。
三、切换Kimi-2.5增强模型以激活多模态理解
轻量OCR仅完成字符级转录，而Kimi-2.5增强模式集成版面分析（Layout Parsing）与逻辑还原模块，可识别跨栏排版、嵌套表格、数学公式结构及图文引用关系，实现从“看见字”到“读懂意”的跃迁。
1、确认OCR技能已启用且QClaw处于运行状态。
2、发送指令：切换OCR模型为Kimi-2.5增强版。
3、收到“模型切换成功”后，发送含公式的PDF截图，并输入：提取图中所有LaTeX公式，还原其语义含义并补全推导步骤缺失项。
4、观察返回内容是否包含结构化公式表达式（如\int_0^1 x^2 dx = \frac{1}{3}）及自然语言解释（如“该积分表示函数x²在区间[0,1]上的定积分值”）。
5、特别验证是否识别出“见图1”“参见式(3)”等图文交叉引用，并在输出中标注对应图像编号或公式序号。
四、对接腾讯云智能OCR API实现专业文档结构化抽取
当处理增值税专用发票、医疗检验报告或工程图纸等高精度需求场景时，本地OCR受限于模型容量与训练数据，难以稳定识别印章、微缩文字、防伪线或嵌套表格。此时需调用腾讯云OCR API，由云端大模型完成字段级结构化抽取。
1、登录腾讯云控制台，开通“智能结构化OCR”服务，获取SecretId与SecretKey。
2、在微信中发送：绑定腾讯云OCR密钥，SecretId为AKxxx，SecretKey为SKxxx。
3、等待QClaw返回“云端OCR通道已激活”提示。
4、发送发票扫描件，并输入：提取销售方名称、纳税人识别号、金额合计、开票日期四项字段，输出为JSON格式。
5、核查返回是否为标准JSON对象，键名严格匹配要求（如"seller_name"、"tax_id"），且数值无截断、日期格式为YYYY-MM-DD。
