OCR 工具

OCRTool 使用具备视觉能力的 LLM 从本地图像或图像 URL 中提取文本。

OCRTool

描述

从图像（本地路径或 URL）中提取文本。通过 CrewAI 的 LLM 接口使用支持视觉的 LLM。

安装

除 crewai-tools 外无需额外安装。请确保所选 LLM 支持视觉。

参数

运行参数

• image_path_url（str，必填）：本地图像路径或 HTTP(S) URL。

示例

直接使用

from crewai_tools import OCRTool

print(OCRTool().run(image_path_url="/tmp/receipt.png"))

配合智能体使用

from crewai import Agent, Task, Crew
from crewai_tools import OCRTool

ocr = OCRTool()

agent = Agent(
    role="OCR", 
    goal="Extract text", 
    tools=[ocr],
)

task = Task(
    description="Extract text from https://example.com/invoice.jpg", 
    expected_output="All detected text in plain text",
    agent=agent,
)

crew = Crew(agents=[agent], tasks=[task])
result = crew.kickoff()

说明

• 确保所选 LLM 支持图像输入。
• 对于大图像，考虑缩小尺寸以减少 token 消耗。
• 如有需要，可以向工具传入特定的 LLM 实例（例如 LLM(model="gpt-4o")），与 README 指南保持一致。

示例

from crewai import Agent, Task, Crew
from crewai_tools import OCRTool

tool = OCRTool()

agent = Agent(
    role="OCR Specialist",
    goal="Extract text from images",
    backstory="Vision‑enabled analyst",
    tools=[tool],
    verbose=True,
)

task = Task(
    description="Extract text from https://example.com/receipt.png",
    expected_output="All detected text in plain text",
    agent=agent,
)

crew = Crew(agents=[agent], tasks=[task])
result = crew.kickoff()