为没有 vision 能力的模型做了一个本地 OCR 扩展，让模型通过 EasyOCR 读取图片中的文字和表格。

关键决策

决策选择原因
Extension vs SkillExtension20 token vs 500 token 上下文污染，TypeBox 参数校验，零幻觉
EasyOCR vs PaddleOCREasyOCRPaddleOCR 预编译二进制要求 AVX512，本机 SIGILL 崩溃
表格重建方式坐标聚类EasyOCR 无原生表格识别，用 y 坐标分组行 + x 坐标排序列补偿
语言栈Python subprocess中文 OCR 的最强生态在 Python，Node.js 无可用方案

核心洞察

1. “没有现成的“本身就是价值

调研了四层才确认空白：

  • skills.sh 市场 → 有 OCR skill，全是 Markdown 指令
  • pi-package 生态（216 个仓库）→ 0 个 OCR 扩展
  • GitHub 代码搜索 → “pi coding agent” + ocr = 0
  • npm 包搜索 → 0

2. Extension 和 Skill 的本质差距

维度Skill（Markdown 指令）Extension（注册工具）
每次上下文消耗~500 token~20 token
参数校验无，靠 LLM 自觉TypeBox schema 强制
出错概率每次调用都有几乎为零

所有有外部依赖的工具都应该用 extension。

3. CPU 兼容性 > 功能炫

PaddleOCR 的 PP-Structure 很牛，但 SIGILL 崩溃 — 要求 AVX512。EasyOCR 功能稍逊，但任何 x86 CPU 都能跑。

表格重建算法

  1. y 坐标接近 → 同一行
  2. 行内按 x 坐标排序 → 列
  3. 股票代码被 OCR 合并时正则拆分
  4. 输出 Markdown 表格

安装

pi install git:github.com/CNCSMonster/pi-local-ocr
bash ~/.pi/agent/git/github.com/CNCSMonster/pi-local-ocr/scripts/setup.sh

GitHub: CNCSMonster/pi-local-ocr