mcpField
A
aliyun-qwen-ocr

aliyun-qwen-ocr

github.com/cinienceドキュメント39667 回インストール11 週間前に更新
リポジトリ

aliyun-qwen-ocr について

aliyun-qwen-ocr は、Model Studio Qwen OCR でテキスト抽出や文書構造の解析を行うスキルです。表や数式などの組み込みタスクに加え、抽出指示をカスタマイズできます。

主な機能

  1. 01テキスト抽出と文書解析
  2. 02表・数式の組み込みタスク
  3. 03重要情報の抽出
  4. 04抽出プロンプトの指定
  5. 05URL、ローカルパス、data URL の入力

活用シーン

  1. 01請求書の項目抽出
  2. 02画像内の表の解析
  3. 03文書内の数式認識

インストール

コマンドをコピーしてターミナルで実行します。

$npx skills add https://github.com/cinience/alicloud-skills --skill aliyun-qwen-ocr

インストール後、Claude Code で/aliyun-qwen-ocrを入力して読み込まれたか確認します。

同梱ファイル

SKILL.md と一緒にインストールされる参考資料やスクリプト。

agents/
openai.yaml
references/
api_reference.md
sources.md
scripts/
prepare_ocr_request.py

詳細

カテゴリ：プロバイダー

Model Studio Qwen OCR

検証

mkdir -p output/aliyun-qwen-ocr
python -m py_compile skills/ai/multimodal/aliyun-qwen-ocr/scripts/prepare_ocr_request.py && echo "py_compile_ok" > output/aliyun-qwen-ocr/validate.txt

合格基準：コマンドが 0 で終了し、output/aliyun-qwen-ocr/validate.txt が生成されること。

出力とエビデンス

  • リクエストのペイロード、選択した OCR タスク名、正規化された出力の期待値を output/aliyun-qwen-ocr/ に保存します。
  • 保存する各実行には、正確なモデル、画像ソース、タスク設定を記録します。

タスクの主な目的が幅広い視覚的推論ではなく、テキスト抽出または文書構造の解析である場合は、Qwen OCR を使用します。

重要なモデル名

以下の正確なモデル文字列のいずれかを使用します。

  • qwen-vl-ocr
  • qwen-vl-ocr-latest
  • qwen-vl-ocr-2025-11-20
  • qwen-vl-ocr-2025-08-28
  • qwen-vl-ocr-2025-04-13
  • qwen-vl-ocr-2024-10-28

選択の指針：

  • 安定版のチャネルには qwen-vl-ocr を使用します。
  • 最新の OCR 動作を明示的に使用したい場合に限り、qwen-vl-ocr-latest を使用します。
  • Qwen3-VL OCR のアップグレードに基づく、再現性のある文書解析が必要な場合は、qwen-vl-ocr-2025-11-20 を固定します。

前提条件

  • 依存関係をインストールします（venv の使用を推奨します）。
python3 -m venv .venv
. .venv/bin/activate
python -m pip install requests
  • 環境変数に DASHSCOPE_API_KEY を設定するか、~/.alibabacloud/credentials に dashscope_api_key を追加します。

正規化インターフェース（ocr.extract）

リクエスト
  • image（string、必須）：HTTPS URL、ローカルパス、または data: URL。
  • model（string、任意）：デフォルトは qwen-vl-ocr です。
  • prompt（string、任意）：カスタムの抽出指示を指定する場合に使用します。
  • task（string、任意）：組み込みの OCR タスク。
  • task_config（object、任意）：抽出フィールドなど、組み込みタスクの設定。
  • enable_rotate（bool、任意）：デフォルトは false です。
  • min_pixels（int、任意）
  • max_pixels（int、任意）
  • max_tokens（int、任意）
  • temperature（float、任意）：デフォルトに近い低い値を維持することを推奨します。
レスポンス
  • text（string）：抽出されたテキスト、または構造化された Markdown／HTML 形式の出力。
  • model（string）
  • usage（object、任意）

組み込み OCR タスク

task に以下のいずれかの値を指定します。

  • text_recognition
  • key_information_extraction
  • document_parsing
  • table_parsing
  • formula_recognition
  • multi_lan
  • advanced_recognition

クイックスタート

カスタムプロンプト：

python skills/ai/multimodal/aliyun-qwen-ocr/scripts/prepare_ocr_request.py \
  --image "https://example.com/invoice.png" \
  --prompt "Extract seller name, invoice date, amount, and tax number in JSON."

組み込みタスク：

python skills/ai/multimodal/aliyun-qwen-ocr/scripts/prepare_ocr_request.py \
  --image "https://example.com/table.png" \
  --task table_parsing \
  --model qwen-vl-ocr-2025-11-20

運用ガイダンス

  • 標準的な解析作業では、公式のタスクプロンプトを使用する組み込み OCR タスクを優先します。
  • 重要な業務フィールドについては、OCR の後に後続の検証ルールを追加します。
  • qwen-vl-ocr と古いスナップショットでは、Alibaba Cloud による上限引き上げの承認がない限り、出力トークンの最大値はデフォルトで 4096 です。qwen-vl-ocr-2025-11-20 はモデルの最大値に従います。
  • 小さな文字が読み取れない場合に限り、max_pixels を増やします。これによりトークンコストが上がります。

出力先

  • デフォルトの出力先：output/aliyun-qwen-ocr/request.json
  • OUTPUT_DIR でベースディレクトリを上書きできます。

参考資料

  • references/api_reference.md
  • references/sources.md

コメント

Markdown 対応