ocr-image-to-markdown

Umiejętność OCR dla agentów AI, która odczytuje obrazy (PNG, JPG i inne formaty) i transkrybuje ich zawartość — tekst, tabele, diagramy — do sformatowanego Markdown. Przydatna do ekstrakcji danych z tabel, slajdów, zrzutów ekranu dokumentów i raportów, szczególnie gdy nie masz dostępu do zewnętrznych bibliotek OCR. Agent wykorzystuje swoją zdolność multimodalną do bezpośredniego przetwarzania obrazów bez dodatkowych narzędzi.

1. Zlokalizuj obraz, który chcesz przetworzyć. Jeśli potrzebujesz przejrzeć katalog, użyj polecenia list_dir aby wyświetlić dostępne pliki.

2. Wyświetl zawartość obrazu za pomocą view_file wskazując ścieżkę do pliku. To pozwala modelowi wizyjnemu przeanalizować obraz bezpośrednio.

3. Transkrybuj zawartość do Markdown na podstawie tego, co widzisz. Dla tabel użyj standardowego formatu Markdown (| nagłówek | ... |), dla nagłówków użyj #, ## itd. zachowując hierarchię, a tekst zwykły transkrybuj jako paragrafy. Zwróć szczególną uwagę na dokładność liczb, szczególnie w dokumentach finansowych.

4. Jeśli obraz zawiera złożony układ (np. kolumny obok siebie), czytaj logicznie od góry do dołu, od lewej do prawej. Dla diagramów opisz trendy lub wyodrębnij widoczne punkty danych jako listę lub tabelę.

5. Zapisz transkrybowaną zawartość do pliku Markdown za pomocą write_to_file. Jeśli przetwarzasz wiele obrazów, możesz dołączać wyniki do tego samego pliku lub organizować je logicznie w osobnych plikach.

6. Nie próbuj pisać kodu ani używać bibliotek Pythona (pytesseract, easyocr, PIL) — polegaj wyłącznie na zdolności wizualnej agenta do bezpośredniego odczytania obrazu.