📄 多模态内容解析器

核心亮点

1. 1. 🔄 统一接口：一套API支持图片/PDF/Word/音频4大类格式解析，无需对接多个服务
2. 🚀 开箱即用：内置OCR、音频转文字、文档解析能力，零配置即可使用
3. 📝 多格式输出：支持纯文本/Markdown/结构化JSON三种输出格式，适配不同LLM处理需求
4. 💡 友好错误提示：依赖缺失时自动给出安装命令，新手也能快速上手

🎯 适用场景

• - 多模态Agent的内容解析层
• 文档问答、知识库构建场景的文件预处理
• 图片OCR识别、语音转文字需求
• 批量文档解析与结构化处理

📝 参数说明

参数	类型	必填	默认值	说明
filepath	string	是	-	要解析的文件路径
filetype

string | 否 | auto | 文件类型：image/pdf/docx/audio/auto |

| output_format | string | 否 | text | 输出格式：text/markdown/structured | | options.ocrlang | string | 否 | chisim+eng | OCR识别语言 | | options.audio_model | string | 否 | base | Whisper模型大小（base/small/medium/large） | | options.pdfpagerange | tuple | 否 | undefined | PDF解析页码范围，如[1, 10]表示解析第1-10页 |

💡 开箱即用示例

图片OCR识别

typescript const result = await skills.multimodalParser({ file_path: ./resume.jpg, file_type: image, output_format: markdown });

PDF解析（指定页码范围）

typescript const result = await skills.multimodalParser({ file_path: ./document.pdf, output_format: structured, options: { pdfpagerange: [1, 50] // 只解析前50页 } });

音频转文字

typescript const result = await skills.multimodalParser({ file_path: ./meeting.mp3, options: { audio_model: small // 使用small模型，速度更快 } });

🔧 依赖安装

根据需要解析的文件类型安装对应依赖： bash

全量安装所有依赖（推荐）

macOS

brew install tesseract tesseract-lang poppler pandoc pip install openai-whisper ffmpeg

Ubuntu/Debian

apt install tesseract-ocr tesseract-ocr-chi-sim poppler-utils pandoc ffmpeg pip install openai-whisper

技术实现说明

• - 基于成熟的开源工具链（Tesseract/Poppler/Whisper/Pandoc）
• 自动文件类型检测，无需手动指定格式
• 模块化设计，可轻松扩展支持更多格式
• 输出格式标准化，直接可被LLM处理