简体中文 | English
LLM OCR Bob 插件是一款新一代智能 OCR 工具，它突破了传统 OCR 技术的限制，利用大型语言模型 (LLM) 实现了对复杂文档的精准识别。该插件支持混合内容识别（如文本、公式、表格）、多栏排版解析，并且能够完整地保持原始文档的结构。
传统的 OCR 插件（例如百度 OCR）存在以下局限性：
- 难以处理复杂排版（如双栏、纵向排列等）
- 难以识别混合内容（如文本、公式、表格）
- 无法保持原始文档的结构
特色功能
- 多模态解析： 精准识别技术文档、学术论文中的公式、代码和表格。
- 智能排版： 自动处理双栏、纵向排列等复杂版式。
- 多模型支持： 兼容 OpenAI、Gemini 以及支持 OpenAI 格式的大模型 API。
- 格式输出： 支持 Markdown、纯文本以及自定义模板导出。
- 安装 Bob (版本 >= 1.8.0)
- 下载插件: llm-ocr.bobplugin
- 获取 OpenAI API Key（或其它兼容OPENAI API格式的平台API KEY）
- 在插件配置中填入API KEY（支持多个KEY自动负载均衡）
| 模式 | 适用场景 | 输出示例 |
|---|---|---|
| Markdown | 学术论文/技术文档 | 带公式/表格的规范Markdown |
| Plaintext | 普通文本 | 保持原始版式的纯文本 |
| Custom | 特殊格式需求 | 自由定义输出结构 |
- GPT-4o Mini： 性价比最优。
- GPT-4o： 高精度识别。
- 自定义模型： 兼容 OpenAI 格式的其他大模型 API。
- 强烈推荐使用 Gemini-2.0-Flash-Exp 自定义模型，其识别效果媲美 GPT-4o，同时提供每天 1500 次的免费额度。
如何配置 Gemini-2.0-Flash-Exp 自定义模型：
- 获取 API Key： 访问 Google AI Studio 获取 API Key。
- 配置插件： 在 Bob 插件配置中选择"自定义模型"，并输入以下信息：
- 模型名称：
gemini-2.0-flash-exp - Base URL：
https://generativelanguage.googleapis.com - Path：
/v1beta/openai/chat/completions
- 模型名称：
如果需要开发自己的 OCR 插件，可以参考以下步骤：
-
安装类型定义：
npm install --save-dev @bob-translate/types
-
配置
tsconfig.json：{ "compilerOptions": { "types": ["@bob-translate/types"] } }
参考 Bob Plugin Development Docs 和 Bob Plugin Types Docs 了解更多信息。
本项目的开发受到以下优秀项目的启发：