Um mecanismo de parsing abrangente que converte imagens, documentos e áudio em texto estruturado e pronto para LLM usando OCR e transcrição automatizada.
Instalar e Baixar
1. ClawHub CLI
A maneira mais rápida de instalar uma habilidade diretamente do registro.
npx clawhub@latest install multimodal-parser
2. Instalação Manual
Copie a pasta da habilidade para um desses locais
~/.openclaw/skills/ <project>/skills/ Prioridade: Espaço de Trabalho > Local > Integrado
3. Instalação do Prompt
Copie este prompt para o OpenClaw para instalá-lo automaticamente.
Ajude-me a instalar o multimodal-parser usando o Clawhub. Se o Clawhub não estiver instalado, instale-o primeiro (npm i -g clawhub).
Prefere baixar?
Obtenha os arquivos originais da habilidade em um arquivo ZIP.
O que é Multimodal Content Parser?
O Multimodal Content Parser é uma integração poderosa projetada para simplificar a camada de ingestão de dados para agentes de IA. Ele fornece uma interface unificada para lidar com diversos formatos de arquivo, incluindo imagens, PDFs, documentos Word e arquivos de áudio, eliminando a necessidade de gerenciar APIs separadas para diferentes tipos de mídia. Ao aproveitar esta contribuição do Openclaw Skills, os desenvolvedores podem transformar facilmente dados não estruturados em texto limpo, Markdown ou JSON estruturado.
Construído sobre mecanismos de código aberto padrão da indústria, como Tesseract e Whisper, esta skill cuida do trabalho pesado de reconhecimento óptico de caracteres (OCR) e conversão de fala em texto. É especificamente otimizado para contextos de LLM, garantindo que a saída seja formatada para injeção de prompts de alta qualidade ou construção de base de conhecimento.
Casos de uso do Multimodal Content Parser
- Construção de camadas de análise de conteúdo para agentes de IA multimodais.
- Automação do pré-processamento de documentos para RAG (Geração Aumentada por Recuperação) e bases de conhecimento.
- Extração de texto de imagens e PDFs digitalizados para arquivamento ou busca.
- Transcrição de gravações de reuniões e notas de áudio em resumos estruturados.
- Processamento em lote de conjuntos de arquivos heterogêneos em formatos JSON padronizados.
Como o Multimodal Content Parser funciona
- O usuário fornece um caminho de arquivo e parâmetros opcionais, como tipo de arquivo ou formato de saída.
- O sistema detecta automaticamente o tipo de arquivo se não for especificado (suportando Imagem, PDF, DOCX ou Áudio).
- Dependendo do formato, a skill aciona o mecanismo relevante: Tesseract para OCR, Poppler para PDFs, Pandoc para DOCX ou Whisper para áudio.
- Os dados brutos são processados e convertidos de acordo com o formato de saída solicitado (text, markdown ou JSON estruturado).
- A skill retorna um objeto de resposta padronizado pronto para consumo por um LLM ou banco de dados.
Configuração do Multimodal Content Parser
Para usar este parser multimodal dentro do ecossistema Openclaw Skills, certifique-se de que as dependências de sistema necessárias estejam instaladas em seu ambiente.
# 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 Dados e Taxonomia de Multimodal Content Parser
A skill aceita vários parâmetros de configuração para ajustar a lógica de parsing:
| Parâmetro | Tipo | Obrigatório | Padrão | Descrição |
|---|---|---|---|---|
| file_path | string | Sim | - | O caminho local para o arquivo sendo analisado. |
| file_type | string | Não | auto | image, pdf, docx, audio ou detecção automática. |
| output_format | string | Não | text | Formato do resultado: text, markdown ou structured. |
| options.ocr_lang | string | Não | chi_sim+eng | Idiomas de destino para reconhecimento OCR. |
| options.audio_model | string | Não | base | Tamanho do modelo Whisper (base, small, medium, large). |
| options.pdf_page_range | array | Não | - | Intervalo de páginas para parsing de PDF, ex: [1, 10]. |
Recursos avançados do Multimodal Content Parser
- Detecção automática de tipo de arquivo para integração zero-config.
- Controle granular de PDF permitindo a extração de intervalos de páginas específicos para economizar tokens.
- Tamanhos de modelo Whisper ajustáveis para equilibrar velocidade e precisão de transcrição.
- Arquitetura modular permitindo fácil expansão para novos formatos de arquivo.
- Estruturas de saída padronizadas projetadas especificamente para processamento contínuo de LLM.
SKILL.md
Carregamento
Habilidades relacionadas do Openclaw
Technical Research Skill
Um agente de pesquisa sistemático avançado que produz relatórios técnicos multidimensionais e projetos de arquitetura através de inteligência web em tempo real.
Paper Parse
Uma ferramenta especializada para converter artigos acadêmicos em PDF em markdown limpo, extraindo figuras e metadados.
ClawPolicy
ClawPolicy é um mecanismo de política de execução autônoma explicável projetado para execução de agentes e supervisão de políticas auditáveis e de baixo toque.
Cloud Doc Intelligent Assistant
Uma ferramenta de coleta de dados especializada para raspar, localizar e monitorar alterações na documentação dos principais provedores de serviços de nuvem.
Perplexity Search
Uma habilidade de pesquisa na web que conecta seu AI Agent à API Perplexity Sonar para respostas citadas em tempo real e informações atuais.
Habilidade Python para Reprodução de Artigos de Pesquisa
Um fluxo de trabalho de AI abrangente para extrair conteúdo de artigos de pesquisa e implementar métodos científicos em código Python modular e verificável.
Apresentou*
