Как настроить распознавание

Как перейти от выбранного инструмента к удобной работе: поручить установку агенту, проверить результат и получить кнопку, пункт меню или обработку папки. Знать команды и писать код самостоятельно для этого не обязательно.

Дата составления: 2026-11-18
Статус: 💡 Актуально


Что именно предстоит настроить

Если вы выбрали готовое приложение или чат, обычно достаточно загрузить документ и выбрать доступные настройки. Когда нужен движок или конвертер, например Tesseract, OCRmyPDF или Docling, нужно установить его и организовать запуск. Возможности этих вариантов описаны в Инструменты распознавания.

Для этого можно использовать агента с доступом к файлам и запуску программ. Обычная LLM в чате объяснит действия, а агент с нужным доступом сможет выполнить их на компьютере. Как устроена такая работа — в статьях Что такое агентный ИИ и Кодинг с агентами; варианты инструментов собраны в разделе Агентные инструменты.

Установка и удобный интерфейс — две части задачи. Например, установленный Tesseract уже умеет распознавать изображения, но сам по себе не дает привычного окна выбора файлов. Можно поручить агенту добавить к нему небольшую программу с кнопкой. Она будет передавать файлы движку и складывать результат в указанную папку. Это один из вариантов вайб-кодинга (см. раздел Вайб-кодинг) — создания программы с помощью нейросети.


Что сообщить агенту

Сначала определите задачу и нужный результат по статье Сценарии использования OCR. Затем опишите условия работы:

Что уточнить

Пример для задания агенту

На каком компьютере работаем

«Работаю на Mac. Проверь версию системы и возможности компьютера перед выбором компонентов».

Какие документы поступают

«Русскоязычные сканы договоров в .pdf, по 20–50 страниц. Встречаются таблицы и приложения с мелким текстом».

Что нужно на выходе

«Markdown для анализа в LLM, с заголовками, таблицами и указанием исходных страниц».

Где должна происходить обработка

«Распознавание должно выполняться на моем компьютере». Если подходит облачный сервис, укажите это и допустимые затраты.

Как удобно запускать

«Выбрать папку и нажать кнопку», «правый клик по файлу» или «каждую ночь обрабатывать новые документы».

Как получать результат и замечать ошибки

«Сохраняй исходники. Результаты складывай отдельно, а файлы и страницы, которые не удалось обработать, перечисляй в отчете».

Если конкретный движок пока не выбран, попросите агента предложить вариант под эти условия и объяснить выбор. Если уже выбрали Docling или другую программу, дайте ссылку на ее официальную документацию.

Алгоритм работы

  1. Подготовьте небольшой набор примеров. Возьмите несколько характерных страниц: обычный текст, таблицу, плохую копию. Они нужны, чтобы проверить настройку до обработки всего массива.

  2. Поручите установить нужные компоненты и обработать примеры. Для Tesseract понадобятся данные нужного языка; для Docling — выбранный способ OCR; для локальной модели — подходящая программа запуска. Агент должен проверить это по документации и возможностям компьютера.

  3. Сравните результат с исходниками. Проверьте, не пропали ли части страницы, сохранились ли строки таблиц и правильно ли прочитаны важные числа. Если дальше программа заполняет реестр, проверьте и полученные записи. Агент может проверить, что обработка завершилась, но это еще не подтверждает точность прочитанного.

  4. Попросите удобный способ запуска. Это может быть окно выбора папки, пункт меню или запуск по расписанию. Для большого массива полезны сохранение по мере обработки и продолжение после сбоя.

  5. Запустите обработку самостоятельно. Убедитесь, что без нового обращения к агенту понятно, куда положить файлы, что нажать и где взять результат. Сохраните короткую инструкцию вместе с программой.

Пример задания агенту

Помоги настроить распознавание русскоязычных сканов договоров в папке «Входящие». Хочу получать Markdown с заголовками, таблицами и указанием исходных страниц для последующего анализа в LLM.

Используй Docling с подходящим OCR-движком. Проверь мою операционную систему и установи необходимые компоненты по официальной документации. Распознавание должно работать на моем компьютере. Сначала обработай три характерные страницы и покажи результат для проверки. Уже имеющийся пригодный текст извлекай напрямую.

Исходники сохраняй, готовые файлы складывай в «Результаты». После проверки сделай удобный запуск через выбор папки и кнопку. Обработанные файлы повторно не запускай без необходимости, сбои перечисляй в отдельном отчете. Подготовь короткую инструкцию для меня: как запустить обработку, где лежит результат и что делать с ошибками.

Это пример для конкретной задачи. Если нужен .pdf с поиском, в задании можно указать OCRmyPDF и соответствующий результат. Если нужна только разовая обработка, можно не разрабатывать отдельный интерфейс.


Когда OCR должен стать инструментом агента

Иногда вы хотите, чтобы агент сам распознавал сканы в ходе большой задачи: например, готовил хронологию по папке материалов дела. Тогда попросите его установить распознаватель и сохранить инструкцию, когда и как им пользоваться. Агент будет передавать сканы программе и читать ее результат.

Для некоторых систем есть готовое подключение через MCP (Model Context Protocol) — протокол, с помощью которого агент обращается к внешним инструментам. Например, у Docling есть MCP-сервер. Когда такое подключение уместно, объясняется в статье MCP-серверы; для обычной обработки папки достаточно и установленной программы.

При настройке уточните место обработки: программа может распознавать на вашем компьютере или обращаться к удаленному сервису. Само наличие кнопки либо подключения к агенту этого не определяет.


Конвертация из контекстного меню Mac и Windows

Эти проекты показывают, как сделать подготовку текста обычным действием с файлами. Можно установить готовое решение по инструкции автора или использовать его как пример желаемого интерфейса для своей программы.

Конвертация через Finder на Mac

Ян Стригов сделал anydoc-md-converter: файл или папку можно перевести в Markdown через контекстное меню Finder. В документации предусмотрены варианты без OCR, с распознаванием через Apple Vision и с Docling для восстановления структуры. Для работы со сканами при установке выбирают вариант с OCR.

Практический результат — пункт меню вместо ручного запуска отдельных компонентов. Это пример того, как встроенный инструмент Apple Vision становится доступным пользователю через готовую программу.


Конвертация через проводник Windows

Участник сообщества Damien Amadeo сделал convert-to-md-context-menu. В контекстном меню проводника появляются обычная конвертация через MarkItDown и отдельная конвертация с OCR для сканированных .pdf; проект использует OCRmyPDF. Установка предусмотрена без прав администратора.


Связанные статьи

Дополнительные материалы


Теги: #ocr #настройка #агенты #вайб-кодинг #автоматизация