Một công cụ phân tích toàn diện chuyển đổi hình ảnh, tài liệu và âm thanh thành văn bản có cấu trúc, sẵn sàng cho LLM bằng cách sử dụng OCR và chuyển ký âm tự động.
Cài đặt & Tải xuống
1. ClawHub CLI
Cách nhanh nhất để cài đặt kỹ năng trực tiếp từ thư viện.
npx clawhub@latest install multimodal-parser
2. Cài đặt Thủ công
Sao chép thư mục kỹ năng vào một trong những vị trí sau
~/.openclaw/skills/ <project>/skills/ Ưu tiên: Không gian làm việc > Cục bộ > Gói sẵn
3. Cài đặt Prompt
Sao chép prompt này vào OpenClaw để tự động cài đặt.
Giúp tôi cài đặt multimodal-parser bằng Clawhub. Nếu Clawhub chưa
Bạn muốn tải xuống?
Nhận các tệp kỹ năng gốc dưới dạng lưu trữ ZIP.
Bộ phân tích nội dung đa phương thức là gì?
Multimodal Content Parser là một tích hợp mạnh mẽ được thiết kế để đơn giản hóa lớp nạp dữ liệu cho các tác nhân AI. Nó cung cấp một giao diện thống nhất để xử lý các định dạng tệp đa dạng bao gồm hình ảnh, PDF, tài liệu Word và tệp âm thanh, loại bỏ nhu cầu quản lý các API riêng biệt cho các loại phương tiện khác nhau. Bằng cách tận dụng đóng góp này của Openclaw Skills, các nhà phát triển có thể dễ dàng chuyển đổi dữ liệu phi cấu trúc thành văn bản sạch, Markdown hoặc JSON có cấu trúc.
Được xây dựng trên nền tảng của các công cụ mã nguồn mở tiêu chuẩn ngành như Tesseract và Whisper, kỹ năng này xử lý các công việc nặng nhọc về nhận dạng ký tự quang học (OCR) và chuyển giọng nói thành văn bản. Nó được tối ưu hóa đặc biệt cho các ngữ cảnh LLM, đảm bảo rằng đầu ra được định dạng để tiêm prompt chất lượng cao hoặc xây dựng cơ sở tri thức.
Trường hợp sử dụng Bộ phân tích nội dung đa phương thức
- Xây dựng các lớp phân tích nội dung cho các tác nhân AI đa phương thức.
- Tự động hóa tiền xử lý tài liệu cho RAG (Retrieval-Augmented Generation) và cơ sở tri thức.
- Trích xuất văn bản từ hình ảnh và tệp PDF được quét để lưu trữ hoặc tìm kiếm.
- Chuyển ký âm các bản ghi cuộc họp và ghi chú âm thanh thành các bản tóm tắt có cấu trúc.
- Xử lý hàng loạt các bộ tệp hỗn hợp thành các định dạng JSON được tiêu chuẩn hóa.
Cách thức hoạt động của Bộ phân tích nội dung đa phương thức
- Người dùng cung cấp đường dẫn tệp và các tham số tùy chọn như loại tệp hoặc định dạng đầu ra.
- Hệ thống tự động phát hiện loại tệp nếu không được chỉ định (hỗ trợ Hình ảnh, PDF, DOCX hoặc Âm thanh).
- Tùy thuộc vào định dạng, kỹ năng sẽ kích hoạt công cụ tương ứng: Tesseract cho OCR, Poppler cho PDF, Pandoc cho DOCX hoặc Whisper cho âm thanh.
- Dữ liệu thô được xử lý và chuyển đổi theo định dạng đầu ra được yêu cầu (text, markdown hoặc JSON có cấu trúc).
- Kỹ năng trả về một đối tượng phản hồi được tiêu chuẩn hóa sẵn sàng để LLM hoặc cơ sở dữ liệu sử dụng.
Cài đặt Bộ phân tích nội dung đa phương thức
Để sử dụng bộ phân tích đa phương thức này trong hệ sinh thái Openclaw Skills, hãy đảm bảo các phụ thuộc hệ thống bắt buộc đã được cài đặt cho môi trường của bạn.
# 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
Lược đồ dữ liệu & Hệ thống phân loại của Bộ phân tích nội dung đa phương thức
Kỹ năng chấp nhận một số tham số cấu hình để tinh chỉnh logic phân tích:
| Tham số | Loại | Bắt buộc | Mặc định | Mô tả |
|---|---|---|---|---|
| file_path | string | Có | - | Đường dẫn cục bộ đến tệp đang được phân tích. |
| file_type | string | Không | auto | image, pdf, docx, audio hoặc tự động phát hiện. |
| output_format | string | Không | text | Định dạng kết quả: text, markdown hoặc structured. |
| options.ocr_lang | string | Không | chi_sim+eng | Ngôn ngữ mục tiêu để nhận dạng OCR. |
| options.audio_model | string | Không | base | Kích thước mô hình Whisper (base, small, medium, large). |
| options.pdf_page_range | array | Không | - | Phạm vi trang để phân tích PDF, ví dụ: [1, 10]. |
Tính năng Nâng cao của Bộ phân tích nội dung đa phương thức
- Tự động phát hiện loại tệp để tích hợp không cần cấu hình.
- Kiểm soát PDF chi tiết cho phép trích xuất phạm vi trang cụ thể để tiết kiệm token.
- Kích thước mô hình Whisper có thể điều chỉnh để cân bằng giữa tốc độ chuyển ký âm và độ chính xác.
- Kiến trúc mô-đun cho phép dễ dàng mở rộng sang các định dạng tệp mới.
- Cấu trúc đầu ra được tiêu chuẩn hóa được thiết kế đặc biệt để xử lý LLM liền mạch.
SKILL.md
Đang tải
Các kỹ năng Openclaw liên quan
Kỹ năng Nghiên cứu Kỹ thuật
Một tác nhân nghiên cứu hệ thống tiên tiến tạo ra các báo cáo kỹ thuật đa chiều và bản thiết kế kiến trúc thông qua trí tuệ web thời gian thực.
Paper Parse
Một công cụ chuyên dụng để chuyển đổi các bài báo học thuật PDF thành Markdown sạch đồng thời trích xuất hình ảnh và siêu dữ liệu.
ClawPolicy
ClawPolicy là một công cụ chính sách thực thi tự trị có thể giải thích được thiết kế để thực thi agent và giám sát chính sách ít can thiệp, có thể kiểm chứng.
Cloud Doc Intelligent Assistant
Một công cụ thu thập dữ liệu chuyên dụng để lấy, bản địa hóa và giám sát các thay đổi trên tài liệu của các nhà cung cấp dịch vụ đám mây lớn.
Perplexity Search
Một kỹ năng tìm kiếm web kết nối AI Agent của bạn với Perplexity Sonar API để có câu trả lời trích dẫn theo thời gian thực và thông tin hiện tại.
Kỹ năng Python Tái hiện Bài báo Nghiên cứu
Một quy trình làm việc AI toàn diện để trích xuất nội dung bài báo nghiên cứu và triển khai các phương pháp khoa học trong mã Python mô-đun, có thể kiểm chứng.
Đặc sắc*
