你有没有试过把一份扫描版 PDF 丢给 Claude，结果它老老实实回你一句："抱歉，我无法读取图片内容"？
或者更现实一点的场景：你用 OpenClaw 跑了个自动回单机器人，结果客户发来一张发票截图，机器人回了一句"请发送文字消息"——订单就这么黄了。
这事儿本质上是个老问题：现在的 AI 默认是个"文字动物"。LLM 训练时主要吃的是纯文本，能"看"图是因为另外接了视觉模型，但即便是最强多模态模型，遇到下面三类东西也容易翻车：
| 类型 | 为什么 AI 经常翻车 |
|---|---|
| 扫描版 PDF | 整页是图，不是文字层 |
| 手机截图、发票、合同照片 | 包含手写字、印章、表格、倾斜 |
| 长文档（整本专著） | 多模态上下文窗口塞不下 |
OCR（Optical Character Recognition，光学字符识别）就是给 AI 装上的"眼睛"。 装上之后，Claude 能直接读扫描版 PDF，OpenClaw 能自动解析客户截图，整本法律卷宗一次性转 Markdown——你不再需要手动敲一遍。
这篇就把"装眼睛"这件事彻底讲清楚：为什么装、装完能干什么、怎么装、有哪些坑。不管你用的是 Claude Desktop 还是 OpenClaw，看完都能照着做。
一、装上 OCR 之后，到底能解锁什么？
先说价值，因为不是所有人都清楚"OCR 接 AI"这件事的想象空间。
5 类典型场景：
- 扫 PDF 直接问答 — 丢一份扫描版合同给 Claude，直接问"违约条款在哪一页？"
- 截图自动识别 — OpenClaw 自动把客户发来的发票转成结构化数据入库
- 批量处理图片 — 一次给 50 张产品图，自动提取 SKU 和价格
- 整本专著解析 — 一本 500 页的法律卷宗一次性转 Markdown
- 跨模态检索 — 把所有历史截图建索引，让 AI"记起"任何一张图里的内容
一句话总结：OCR 不只是"识别文字"，它是把 AI 从文字工作者变成全模态助理的关键拼图。
二、两个 OCR 引擎怎么选？
OCR 后端不是装一个就行——选错了等会白忙活。两个主流选项定位完全不同：
| 引擎 | 定位 | 适合场景 | 硬件要求 |
|---|---|---|---|
| PaddleOCR（百度开源） | 通用 OCR 主力 | 扫描 PDF、截图、表格、公式、版面分析 | CPU 也能跑；GPU 更快 |
| Unlimited-OCR（百度新出） | 长文档一次性解析 | 整本专著、法律卷宗、长 PDF | ≥24GB 显存（推荐 A100/H100） |
一句话选型建议：
90% 的场景用 PaddleOCR 就够了；只有遇到"几百页连续扫描的卷宗"才需要上 Unlimited-OCR。
下面重点讲 PaddleOCR 的部署（覆盖 90% 场景），Unlimited-OCR 放在最后一节作为高阶选项。
三、部署 PaddleOCR：两种最常用姿势
PaddleOCR 提供三种部署方式，我们只讲最常用的两种——HTTP 自托管和 Claude Desktop 的 MCP 插件。第三种 Docker 容器化是给生产环境用的，个人用户跳过即可。
姿势 A：本地起一个 HTTP 服务（推荐，所有平台通用）
一行命令起服务：
\\\`bash
pip install paddlex paddlex –install serving
paddlex –serve –pipeline PaddleOCR-VL-1.6 \\\`
跑起来之后，访问 http://127.0.0.1:8080 就能看到 API 文档。
不同场景选不同 pipeline：
| Pipeline | 干啥用 |
|---|---|
| OCR | 纯文字识别（最快） |
| PP-OCRv5-latin | 多语言版（含英文拉丁） |
| PP-StructureV3 | 版面 + 表格 + 公式（推荐扫 PDF） |
| PaddleOCR-VL-1.6 | 端到端 VLM（精度最高，啥场景都能干） |
💡 小白建议：先跑
PaddleOCR-VL-1.6，啥场景都适用；慢了再换轻量版。🔥 GPU 加速：机器有显卡就加
--device gpu，速度快 5-10 倍。
姿势 B：直接装 MCP 插件（Claude Desktop 用户最快）
如果你只用 Claude Desktop、不打算接 OpenClaw，这是 5 分钟搞定的方案：
\\\`bash
pip install paddleocr-mcp \\\`
然后编辑 Claude Desktop 配置文件（重启 Claude 生效）：
- macOS：
~/Library/Application Support/Claude/claude_desktop_config.json - Windows：
%APPDATA%\Claude\claude_desktop_config.json - Linux：
~/.config/Claude/claude_desktop_config.json
最简配置（用百度 AI Studio 官方 API，零部署）：
\\\json { "mcpServers": { "paddleocr": { "command": "paddleocr_mcp", "args": [], "env": { "PADDLEOCR_MCP_MODEL": "PaddleOCR-VL-1.6", "PADDLEOCR_MCP_PPOCR_SOURCE": "aistudio", "PADDLEOCR_MCP_AISTUDIO_ACCESS_TOKEN": "<你的-token>" } } } } \\\
token 去 百度 AI Studio 申请，免费的额度日常够用。
接本地自托管服务（数据隐私 / 批量处理用）：
如果你按姿势 A 起好了本地服务，配置改成这样：
\\\json { "mcpServers": { "paddleocr": { "command": "uvx", "args": ["--from", "paddleocr-mcp", "paddleocr_mcp"], "env": { "PADDLEOCR_MCP_MODEL": "PaddleOCR-VL-1.6", "PADDLEOCR_MCP_PPOCR_SOURCE": "self_hosted", "PADDLEOCR_MCP_SELF_HOSTED_BASE_URL": "http://127.0.0.1:8080" } } } } \\\
重启 Claude Desktop，对话框里说"用 OCR 工具把这份 PDF 转成 Markdown"，OCR 工具会自动出现在工具列表里。
四、让 OpenClaw 也能用 OCR
OpenClaw 通过 ~/.openclaw/workspace/skills/<name>/SKILL.md 注册技能（skill）。装一个 OCR skill 只需要写一个文件。
第一步：先按姿势 A 起好 PaddleOCR 服务
\\\bash paddlex --serve --pipeline PP-StructureV3 --port 8080 \\\
（保持后台运行，或用 tmux / screen 挂起）
第二步：写一个 skill
\\\bash mkdir -p ~/.openclaw/workspace/skills/paddleocr-ocr \\\
新建文件 ~/.openclaw/workspace/skills/paddleocr-ocr/SKILL.md：
\\\`markdown
name: paddleocr-ocr description: 调用本地 PaddleOCR 服务对图片/PDF 做 OCR 或版面解析 metadata: openclaw: requires: bins: [curl, jq] env: [PADDLEOCR_BASE_URL] primaryEnv: PADDLEOCR_BASE_URL
调用 \${PADDLEOCR_BASE_URL:-http://127.0.0.1:8080} 的 PaddleOCR 服务。
用法
- 把图片/PDF base64 编码
- POST 到 /predict/ocr_system
- 返回 Markdown / JSON 结果
\\\`
第三步：让 OpenClaw 加载它
\\\`bash openclaw doctor # 验证配置
\\\`
重启后，OpenClaw 对话里直接说"用 paddleocr-ocr 解析这张扫描件"就会自动触发。
五、高阶场景：整本专著用什么？
如果你的场景是"几百页扫描 PDF 一次性转 Markdown"（法律卷宗、古籍数字化、学术专著），PaddleOCR 会比较慢，这时候上 Unlimited-OCR。
它没有 MCP，需要起 vLLM 或 SGLang 暴露 OpenAI 兼容 API，然后用 OpenClaw skill 包一层。
启动 Unlimited-OCR（vLLM）
\\\bash docker pull vllm/vllm-openai:unlimited-ocr docker run -dp 8000:8000 vllm/vllm-openai:unlimited-ocr \\ --model baidu/Unlimited-OCR --port 8000 \\\
OpenClaw skill（节选）
~/.openclaw/workspace/skills/unlimited-ocr/SKILL.md：
\\\`markdown
name: unlimited-ocr description: 调用本地 Unlimited-OCR 服务做长文档一次性解析
调用 \${UNLIMITED_OCR_BASE_URL:-http://127.0.0.1:8000} 的 Unlimited-OCR 服务。
\\\bash IMG_B64=$(base64 -w0 input.png) curl -s \${UNLIMITED_OCR_BASE_URL:-http://127.0.0.1:8000}/v1/chat/completions \\ -H "Content-Type: application/json" -d '{ "model": "Unlimited-OCR", "messages": [{"role": "user", "content": [ {"type":"image_url","image_url":{"url":"data:image/png;base64,'"\$IMG_B64"'"}}, {"type":"text","text":"Multi page parsing."} ]}] }' | jq -r '.choices[0].message.content' \\\
注意事项
- 长 PDF 用提示词 "Multi page parsing."
- 显存：≥24GB，Hopper（A100/H100）体验最佳
\\\`
⚠️ 坑提醒：启 vLLM 时务必保留 –enable-custom-logit-processor，否则长文档会出现"无限循环重复"的乱码。
六、常见坑 FAQ
Q1：装完 paddleocr-mcp，Claude 工具列表里没出现？ A：检查 JSON 格式（逗号、引号），然后完全退出 Claude Desktop 再开（不是关窗口，要从菜单退出）。
Q2：报错 Connection refused 127.0.0.1:8080？ A：PaddleX 服务没起来。重新跑 paddlex –serve –pipeline PaddleOCR-VL-1.6，确认能看到 "Running on http://0.0.0.0:8080" 字样。
Q3：识别中文乱码？ A：模型换成 PP-OCRv5 系列，别用 PP-OCRv5-latin（只支持拉丁字母）。
Q4：扫 PDF 转出来版式全乱了？ A：换成 PP-StructureV3 或 PaddleOCR-VL-1.6 pipeline，这两个专门处理版面。
Q5：Unlimited-OCR 跑得慢 / 重复？ A：显存不够；或漏了 –enable-custom-logit-processor。
Q6：OpenClaw skill 不生效？ A：跑 openclaw doctor 看诊断；检查 SKILL.md 路径是否在 ~/.openclaw/workspace/skills/ 下；完全重启 OpenClaw daemon。
七、选型速查表
最后一张表帮你 3 秒做决定：
| 你的场景 | 推荐方案 | 一句话说明 |
|---|---|---|
| Claude Desktop 个人/小团队，零部署 | paddleocr-mcp + AI Studio API | 5 分钟搞定，免费额度够用 |
| Claude Desktop 自托管（数据隐私 / 批量） | paddlex –serve + paddleocr-mcp self_hosted | 起一个本地服务，全家通用 |
| OpenClaw 通用 OCR | paddlex –serve + OpenClaw skill | 起服务，写 30 行 skill |
| OpenClaw 长文档 / 法律卷宗 | Unlimited-OCR vLLM + skill | 显存要求高，按需启用 |
| 多频道（飞书 / 微信 / Telegram）触发 OCR | OpenClaw skill + 自托管服务 | OpenClaw 负责转发，OCR 做后台 |
写在最后
OCR 不只是"识别文字"那么简单——它是把 AI 从"文字工作者"变成"全模态助理"的关键拼图。
装上之后，你会发现很多以前得手动做的事突然自动化了：扫描件直接问答、截图自动入库、长文档一次性消化。Claude + OpenClaw 加 OCR，等于给你的 AI 工作流装上眼睛。
下一步建议：
- 先按第三节起好 PaddleOCR 服务（5 分钟）
- 再装 paddleocr-mcp 或写 OpenClaw skill（10 分钟）
- 找个真实场景试一下——把最近的一份扫描 PDF 丢给 Claude