Un motor de análisis integral que convierte imágenes, documentos y audio en texto estructurado listo para LLM utilizando OCR y transcripción automatizada.
Instalar y Descargar
1. ClawHub CLI
La forma más rápida de instalar una habilidad directamente desde el registro.
npx clawhub@latest install multimodal-parser
2. Instalación manual
Copia la carpeta de la habilidad a una de estas ubicaciones
~/.openclaw/skills/ <project>/skills/ Prioridad: Espacio de trabajo > Local > Integrado
3. Instalación del prompt
Copia este prompt en OpenClaw para instalarlo automáticamente.
Ayúdame a instalar multimodal-parser usando Clawhub. Si Clawhub no está instalado, instálalo primero (npm i -g clawhub).
¿Prefieres descargar?
Obtén los archivos originales de la habilidad en un archivo ZIP.
¿Qué es Multimodal Content Parser?
El Multimodal Content Parser es una potente integración diseñada para simplificar la capa de ingesta de datos para agentes de IA. Proporciona una interfaz unificada para manejar diversos formatos de archivo, incluidos imágenes, PDF, documentos de Word y archivos de audio, eliminando la necesidad de gestionar API separadas para diferentes tipos de medios. Al aprovechar esta contribución de Openclaw Skills, los desarrolladores pueden transformar fácilmente datos no estructurados en texto limpio, Markdown o JSON estructurado.
Basada en motores de código abierto estándar de la industria como Tesseract y Whisper, esta skill se encarga del trabajo pesado del reconocimiento óptico de caracteres (OCR) y la conversión de voz a texto. Está optimizada específicamente para contextos de LLM, asegurando que la salida tenga el formato adecuado para una inyección de prompts de alta calidad o la construcción de bases de conocimiento.
Casos de uso de Multimodal Content Parser
- Creación de capas de análisis de contenido para agentes de IA multimodales.
- Automatización del preprocesamiento de documentos para RAG (Generación Aumentada por Recuperación) y bases de conocimiento.
- Extracción de texto de imágenes y PDF escaneados para archivo o búsqueda.
- Transcripción de grabaciones de reuniones y notas de audio en resúmenes estructurados.
- Procesamiento por lotes de conjuntos de archivos heterogéneos en formatos JSON estandarizados.
Cómo funciona Multimodal Content Parser
- El usuario proporciona una ruta de archivo y parámetros opcionales como el tipo de archivo o el formato de salida.
- El sistema detecta automáticamente el tipo de archivo si no se especifica (compatible con Imagen, PDF, DOCX o Audio).
- Dependiendo del formato, la skill activa el motor correspondiente: Tesseract para OCR, Poppler para PDF, Pandoc para DOCX o Whisper para audio.
- Los datos sin procesar se procesan y convierten de acuerdo con el formato de salida solicitado (text, markdown o JSON estructurado).
- La skill devuelve un objeto de respuesta estandarizado listo para ser consumido por un LLM o una base de datos.
Configuración de Multimodal Content Parser
Para utilizar este analizador multimodal dentro del ecosistema Openclaw Skills, asegúrese de que las dependencias del sistema requeridas estén instaladas para su entorno.
# For macOS users
brew install tesseract tesseract-lang poppler pandoc
pip install openai-whisper ffmpeg
# For Ubuntu\/Debian users
apt install tesseract-ocr tesseract-ocr-chi-sim poppler-utils pandoc ffmpeg
pip install openai-whisper
Esquema de datos y taxonomía de Multimodal Content Parser
La skill acepta varios parámetros de configuración para ajustar la lógica de análisis:
| Parámetro | Tipo | Requerido | Por defecto | Descripción |
|---|---|---|---|---|
| file_path | string | Sí | - | La ruta local al archivo que se está analizando. |
| file_type | string | No | auto | image, pdf, docx, audio o detección automática. |
| output_format | string | No | text | Formato del resultado: text, markdown o structured. |
| options.ocr_lang | string | No | chi_sim+eng | Idiomas de destino para el reconocimiento OCR. |
| options.audio_model | string | No | base | Tamaño del modelo Whisper (base, small, medium, large). |
| options.pdf_page_range | array | No | - | Rango de páginas para el análisis de PDF, ej., [1, 10]. |
Funciones avanzadas de Multimodal Content Parser
- Detección automática del tipo de archivo para una integración sin configuración.
- Control granular de PDF que permite la extracción de rangos de páginas específicos para ahorrar tokens.
- Tamaños de modelo Whisper ajustables para equilibrar la velocidad y la precisión de la transcripción.
- Arquitectura modular que permite una fácil expansión a nuevos formatos de archivo.
- Estructuras de salida estandarizadas diseñadas específicamente para un procesamiento de LLM fluido.
SKILL.md
Cargando
Habilidades relacionadas de Openclaw
Technical Research Skill
Un agente de investigación sistemático avanzado que produce informes técnicos multidimensionales y planos arquitectónicos a través de inteligencia web en tiempo real.
Paper Parse
Una herramienta especializada para convertir artículos académicos en PDF en markdown limpio mientras se extraen figuras y metadatos.
ClawPolicy
ClawPolicy es un motor de políticas de ejecución autónoma explicable diseñado para la ejecución de agentes y la supervisión de políticas auditable y de bajo contacto.
Cloud Doc Intelligent Assistant
Una herramienta especializada de recolección de datos para raspar, localizar y monitorear cambios en la documentación de los principales proveedores de servicios en la nube.
Perplexity Search
Una habilidad de búsqueda web que conecta su AI Agent con la API Perplexity Sonar para obtener respuestas citadas en tiempo real e información actualizada.
Habilidad de Python para Reproducción de Artículos de Investigación
Un flujo de trabajo de AI integral para extraer contenido de artículos de investigación e implementar métodos científicos en código Python modular y verificable.
Presentado*
