pdfvision讓 AI 代理具備類似人的 PDF 視覺

為什麼是 pdfvision ​

許多 PDF 擷取工具只給代理一段字串，並要求它信任結果。真實文件中，這種方式很容易失敗：雙欄論文、含義藏在形狀裡的投影片、帶圖表和表格的報告、政府表單、帶 OCR 殘留的掃描件，以及文字層包含相容字形或亂碼的多語言 PDF，都不能只看一條扁平文字流。

pdfvision 圍繞一個不同的循環設計：

1. 擷取 PDF 的原生訊號。
2. 判斷這些訊號是否可信。
3. 定位真正重要的證據。
4. 只對需要進一步檢查的頁面或區域進行渲染或 OCR。

這個循環更接近人類閱讀 PDF 的方式。你會先瀏覽頁面，注意視覺頁面和擷取文字是否不一致，放大圖表或表單欄位，並保留可驗證的原始證據。

它給代理什麼 ​

pdfvision 在一個 CLI 和 TypeScript 函式庫中組合了代理需要的 PDF 訊號：

• 帶 Unicode 正規化的原生文字，以及可選的 raw text。
• 字元數、影像數、向量數、文字覆蓋率、原生文字狀態等逐頁密度與品質欄位。
• 版面區塊、標題、多欄閱讀順序、直排 CJK、數字表格提示、重複頁首/頁尾偵測。
• 面向視覺模型的頁面 PNG 與目標區域裁切。
• 掃描或影像型頁面的 OCR 文字、信心分數、語言和詞級 bbox。
• 橫跨原生文字、可見表單值、FreeText 註解和 OCR 輸出的搜尋匹配與 bbox。
• 用於圖、圖表、表格、表單和圖示裁切的 raster image box、vector box 和 visual region。
• 按需輸出表單欄位、連結、註解、目錄、頁碼標籤、圖層、viewer 設定、結構樹和附件 metadata。
• 亂碼字形、可疑 OCR 層、密集向量圖、被攤平的表格、重疊文字、頁外內容、隱藏圖層風險、閱讀順序分歧等人類會注意到的警告。

快速開始 ​

不用安裝即可執行：

npx pdfvision document.pdf

為多模態模型渲染頁面影像：

npx pdfvision document.pdf --render

從 URL 擷取結構化 JSON：

npx pdfvision --remote https://raw.githubusercontent.com/mozilla/pdf.js-sample-files/master/tracemonkey.pdf --format json

搜尋證據，然後只裁切匹配區域：

npx pdfvision report.pdf --search "revenue" --json
npx pdfvision report.pdf --pages 3 --render --render-region 120,180,360,140 --render-output ./crops --json

不渲染每一整頁，也可以檢查視覺結構：

npx pdfvision slides.pdf --layout --image-boxes --vector-boxes --visual-regions --json
npx pdfvision slides.pdf --render-visual-regions --render-output ./regions --json

文件 ​

• 快速開始 說明基本流程。
• 使用情境 將常見 PDF 類型對應到 pdfvision 命令模式。
• CLI 選項 依任務整理主要參數。
• 結構化輸出 解釋代理和工具會使用的欄位。
• 版面與警告 說明應從 README 簡短介紹中分離出來的視覺結構細節。
• 渲染與 OCR 涵蓋影像輸出、區域裁切與掃描文件。
• 搜尋與區域放大 展示如何找到文字證據，並只渲染匹配區域。