Alibaba Quark Scanking Skills

强大的文档 AI 能力，为 OpenClaw Agent 而生

OCR 文字识别 | 文件扫描增强 | 图片转 Office

Yescan OpenClaw Skills 将夸克扫描王 (Yescan) 的文档 AI 能力封装为三个 OpenClaw Agent 技能。

只需一个 pip install 和一个 API Key，你的 OpenClaw Agent 即可获得 30+ 文档处理场景的能力——包括手写识别、表格 OCR、证件扫描、图像增强、去水印以及图片转 Word/Excel/PDF。

核心特性

三大核心能力，统一交互接口，零配置开销。

	OCR 文字识别	文件扫描增强	图片转 Office
场景数	17 个专业模型	13 种增强模式	3 种输出格式
输入方式	URL / 文件 / Base64	URL / 文件 / Base64	URL / 文件 / Base64
输出格式	结构化 JSON	增强后图片	Word / Excel / PDF
语言支持	中文 + 英文	—	中文 + 英文

为什么选择 Yescan OpenClaw Skills？

Agent 原生：从底层为 OpenClaw 的技能执行模型设计——意图匹配、场景路由、结构化 JSON 输出，开箱即用。
30+ 专业场景：每个场景使用针对特定文档类型微调的模型，精度远超通用 OCR 方案。
一个 Key 全搞定：一个 API Key 解锁全部三大能力和 30+ 场景。
隐私安全：图片在夸克服务器上处理，不会永久保存；本地临时文件路径清晰可控。
中英双语：完整支持中英文档处理，场景描述同时提供中英文版本。

支持场景

🔍 OCR 文字识别

OCR 技能覆盖 17 个专业识别场景，从手写字迹到发票到医疗报告。

#	场景名称	场景标识	关键词
1	手写文档识别	`handwritten-ocr`	手写、笔迹、潦草字迹
2	表格识别	`table-ocr`	表格、报表、Excel
3	身份证识别	`idcard-ocr`	身份证、居民身份证
4	社保卡识别	`social-security-card-ocr`	社保卡、医保卡
5	港澳通行证识别	`travel-permit-ocr`	港澳通行证、港澳台通行证
6	学位证识别	`degree-certificate-ocr`	学位证、学位证书
7	增值税发票识别	`vat-invoice-ocr`	增值税发票、发票
8	火车票识别	`train-ticket-ocr`	火车票、车票
9	公式识别	`formula-ocr`	数学公式、LaTeX、化学方程式
10	题目识别	`question-ocr`	题目、考题、习题
11	驾驶证识别	`driver-license-ocr`	驾驶证、驾照
12	行驶证识别	`vehicle-license-ocr`	行驶证、车辆
13	英文发票识别	`commercial-invoice-ocr`	英文发票、商业发票
14	医疗报告单识别	`medical-report-ocr`	化验单、医疗报告、检验
15	营业执照识别	`business-license-ocr`	营业执照、工商
16	商品图片识别	`product-image-ocr`	商品、产品、品牌
17	通用文字提取	`general-ocr`	提取文字、转文字（兜底）

场景按优先级从上到下匹配，命中第一个即停止。无法匹配时，使用 general-ocr 兜底。

注意： handwritten-ocr 标识同时出现在 OCR 和扫描技能中。OCR 技能返回结构化文本（JSON），扫描技能返回增强后的图片。Agent 会根据用户意图（提取文字 vs 增强图片）自动选择正确的技能。

OCR效果展示

📷 文件扫描增强

扫描技能提供 13 种图像增强和文档处理模式。

#	场景名称	场景标识	典型用途
1	手写文档识别	`handwritten-ocr`	手写笔记转文字
2	考试增强	`exam-enhance`	试卷/学习资料高清化
3	画质增强	`image-hd-enhance`	模糊/低质量图片增强
4	证件票据增强	`certificate-enhance`	证件/票据清晰度优化
5	图像去手写	`remove-handwriting`	去除手写笔迹，保留印刷体
6	图像去水印	`remove-watermark`	精准去除水印文字和 Logo
7	图像去阴影	`remove-shadow`	修复光照和阴影问题
8	图像去屏纹	`remove-screen-pattern`	消除屏幕翻拍的摩尔纹
9	文档去底色	`remove-background-color`	一键转为白底黑字
10	图像裁剪矫正	`image-crop-rectify`	自动矫正透视变形并裁剪
11	素描速写	`sketch-drawing`	照片转铅笔素描风格
12	提取线稿	`extract-lineart`	提取干净的线条图
13	扫描文件	`scan-document`	通用文档优化

文件扫描增强效果展示

📄 图片转 Office

转换技能将图片转化为可编辑的 Office 文档。

#	场景名称	场景标识	输出格式
1	图片转 Excel	`image-to-excel`	`.xlsx` — 表格、数据、报表
2	图片转 Word	`image-to-word`	`.docx` — 文档、合同、文章
3	图片转 PDF	`image-to-pdf`	`.pdf` — 笔记、存档、报告

当目标格式不明确时，Agent 会主动询问用户选择 Word、Excel 还是 PDF。

图片转 Office 效果展示

快速开始

环境要求

Python 3.9 或更高版本
OpenClaw 已安装并配置完成（安装指南）
一个 夸克扫描王 API Key（从 scan.quark.cn/business 获取）

安装

方式一：通过 OpenClaw CLI 安装（推荐）

# 一键安装全部三个技能
openclaw skills install yescan-ocr-universal
openclaw skills install yescan-scan-universal
openclaw skills install yescan-transoffice-universal

方式二：手动安装

# 克隆本仓库
git clone https://github.com/YOUR_ORG/openclaw-yescan-skills.git
cd openclaw-yescan-skills

# 复制技能到 OpenClaw 技能目录
cp -r skills/yescan-ocr-universal ~/.openclaw/skills/
cp -r skills/yescan-scan-universal ~/.openclaw/skills/
cp -r skills/yescan-transoffice-universal ~/.openclaw/skills/

# 安装 Python 依赖
pip install -r requirements.txt

配置

前往夸克扫描王开发者后台获取 API Key，然后在 OpenClaw 中配置：

# 为三个技能分别设置 API Key
openclaw config set skills.entries.yescan-ocr-universal.env.SCAN_WEBSERVICE_KEY "your_api_key_here"
openclaw config set skills.entries.yescan-scan-universal.env.SCAN_WEBSERVICE_KEY "your_api_key_here"
openclaw config set skills.entries.yescan-transoffice-universal.env.SCAN_WEBSERVICE_KEY "your_api_key_here"

或者直接设置环境变量：

export SCAN_WEBSERVICE_KEY="your_api_key_here"

提示： 通过 CLI 配置后，需要重启 OpenClaw 或开启新会话才能生效（技能列表在 session 启动时加载）。

使用示例

安装并配置完成后，技能会自动对你的 OpenClaw Agent 可用。只需用自然语言描述你想做的事情。

OCR 示例

提取文档照片中的文字：

用户："识别一下这张图片里的文字：https://example.com/document.jpg"

Agent 自动路由到 general-ocr，返回结构化 JSON：

点击查看响应

{
  "code": "00000",
  "message": "success",
  "data": {
    "ocrText": "2025年度报告\n营业收入：¥8,500万\n净利润：¥1,580万...",
    "confidence": 0.97
  }
}

识别增值税发票：

用户："帮我读一下这张发票"（附带图片）

Agent 匹配到 vat-invoice-ocr，提取金额、日期、销售方等结构化字段：

点击查看响应

{
  "code": "00000",
  "message": "success",
  "data": {
    "ocrText": "{\"invoiceCode\":\"011001...\",\"invoiceDate\":\"2025-06-10\",\"amount\":\"¥12,580.00\",\"seller\":\"XX科技有限公司\"}",
    "confidence": 0.96
  }
}

识别手写字迹：

用户："这张手写笔记写了什么内容？"（附带图片）

Agent 匹配到 handwritten-ocr，调用专门的手写识别模型。

扫描示例

去除文档阴影：

用户："这张文档照片有阴影，帮我去掉阴影变清晰"

Agent 路由到 remove-shadow，返回增强后的图片：

点击查看响应

{
  "code": "00000",
  "message": "success",
  "data": {
    "path": "/tmp/imgs/enhanced_1718012345.png"
  }
}

增强试卷：

用户："这张试卷照片太糊了，增强一下并把题目提取出来"

Agent 使用 exam-enhance 生成高清、去噪的试卷图片。

去水印：

用户："把图片右下角的水印去掉"

Agent 选择 remove-watermark 进行精准水印去除。

转换示例

表格图片转 Excel：

用户："把这张表格照片转成 Excel"

Agent 路由到 image-to-excel，返回可编辑的 .xlsx 文件：

点击查看响应

{
  "code": "00000",
  "message": "success",
  "data": {
    "downloadUrl": "https://scan-business.quark.cn/output/abc123.xlsx",
    "fileName": "table_output.xlsx",
    "fileSize": 45056
  }
}

合同扫描件转 Word：

用户："把这份合同扫描件变成可编辑的 Word 文档"

Agent 选择 image-to-word，生成保留排版的 .docx 文件。

架构设计

┌─────────────────────────────────────────────────────┐
│                  OpenClaw Agent                      │
│                                                     │
│  ┌─────────────┐  ┌──────────┐  ┌───────────────┐  │
│  │   意图匹配   │  │  场景    │  │   执行引擎     │  │
│  │   (Intent)   │→ │  路由    │→ │  (Execution)  │  │
│  └─────────────┘  └──────────┘  └───────┬───────┘  │
└─────────────────────────────────────────┼───────────┘
                                          │
                    ┌─────────────────────┼──────────────┐
                    │       Yescan Skills 能力层            │
                    │                                      │
                    │  ┌─────────┐  ┌────────┐  ┌──────┐ │
                    │  │  OCR    │  │  Scan  │  │Trans │ │
                    │  │  技能   │  │  技能  │  │技能  │ │
                    │  └────┬────┘  └───┬────┘  └──┬───┘ │
                    │       │           │           │      │
                    │  scripts/scan.py（统一 CLI 入口）     │
                    └──────────────┬──────────────────────┘
                                   │
                          ┌────────┴────────┐
                          │  夸克扫描王       │
                          │  API 服务        │
                          │  (scan-business. │
                          │   quark.cn)      │
                          └─────────────────┘

工作流程：

意图匹配 — OpenClaw Agent 接收自然语言请求，根据 SKILL.md 的描述匹配对应技能（OCR / 扫描 / 转换）。
场景路由 — 在匹配到的技能内，按优先级排序的场景列表确定正确的 --scene 标识符。
命令执行 — 调用统一的 scripts/scan.py CLI，传入场景参数和图片输入（URL、文件路径或 Base64）。
云端处理 — 脚本将图片发送至夸克扫描王云端 API，由 AI 模型进行处理。
结构化输出 — 结果以 JSON 格式返回。OCR 返回结构化文本数据，扫描返回增强后的本地图片路径，转换返回可下载的文件链接。

API 参考

三个技能共享统一的 CLI 接口：

# URL 输入
SCAN_WEBSERVICE_KEY=$SCAN_WEBSERVICE_KEY python3 scripts/scan.py \
  --scene "${SCENE_VALUE}" \
  --url "${IMAGE_URL}"

# 本地文件输入
SCAN_WEBSERVICE_KEY=$SCAN_WEBSERVICE_KEY python3 scripts/scan.py \
  --scene "${SCENE_VALUE}" \
  --path "${IMAGE_FILE_PATH}"

# Base64 输入
SCAN_WEBSERVICE_KEY=$SCAN_WEBSERVICE_KEY python3 scripts/scan.py \
  --scene "${SCENE_VALUE}" \
  --base64 "${IMAGE_BASE64}"

参数说明：

参数	类型	说明
`--scene`	string	场景标识符（见上方场景表）
`--url`	string	公网 HTTPS 图片链接
`--path`	string	本地文件路径（jpg/png/gif/bmp/webp/tiff）
`--base64`	string	Base64 编码的图片数据

响应格式（OCR）：

{
  "code": "00000",
  "message": "success",
  "data": {
    "ocrText": "识别到的文字内容...",
    "confidence": 0.98,
    "scene": "general-ocr"
  }
}

响应格式（扫描 — 图片输出）：

{
  "code": "00000",
  "message": "success",
  "data": {
    "path": "/tmp/imgs/enhanced_1718012345.png"
  }
}

响应格式（转换 — 文件输出）：

{
  "code": "00000",
  "message": "success",
  "data": {
    "downloadUrl": "https://...",
    "fileName": "output.docx",
    "fileSize": 102400
  }
}

错误码说明

错误码	说明	处理建议
`00000`	成功	—
`A0100`	API Key 未配置	设置 `SCAN_WEBSERVICE_KEY` 环境变量
`A0201`	缺少图片输入	提供 URL、文件路径或 Base64
`A0211`	API 配额不足	升级套餐或等待配额重置
`A0406`	图片链接不可达	检查 URL 是否可访问且为 HTTPS
`A0407`	图片链接不安全	仅支持 HTTPS 链接
`FILE_ERROR`	本地文件读取失败	检查文件路径和权限
`FILE_READ_ERROR`	文件 I/O 错误	确认文件存在且未损坏
`URL_VALIDATION_ERROR`	URL 格式不合法	提供格式正确的 HTTPS 链接
`BASE64_*`	Base64 解码错误	检查 Base64 编码格式
`HTTP_ERROR`	HTTP 请求异常	检查网络连接

使用限制

限制项	详情	解决方案
单次单图	每次 API 调用处理一张图片	批量处理请循环调用
文件大小	最大 5MB	先压缩或裁剪
不支持视频	仅支持静态图片	先提取视频帧再逐帧处理
仅 HTTPS	HTTP 链接会被拒绝	使用 HTTPS 链接
支持格式	jpg, jpeg, png, gif, bmp, webp, tiff, wbmp	先转换为支持的格式
实时流	不支持	使用专用视频处理服务

常见问题

Q: 图片超过 5MB 怎么办？ A: 发送前先压缩或裁剪图片。可以使用 ImageMagick 的 convert 命令或 Python 的 Pillow 库进行缩放。

Q: 能否一次处理多张图片？ A: 不能，每次 API 调用只处理一张图片。批量处理请循环调用。

Q: 夸克扫描王 API 不可用时怎么办？ A: 技能会返回 HTTP_ERROR 错误码。没有自动重试机制，你可以手动重试。

Q: 如何提升 API 配额？ A: 前往夸克扫描王开发者后台查看当前套餐和升级选项。

Q: 图片会被保存在夸克服务器上吗？ A: 图片实时处理，不会永久保存在夸克服务器上。扫描技能返回的增强图片保存在本地 /tmp/ 目录。

Q: 可以使用 HTTP 链接吗？ A: 不可以，出于安全考虑仅支持 HTTPS 链接。请使用 HTTPS 端点或将图片作为本地文件/base64 提供。

贡献指南

欢迎贡献代码！请按以下步骤操作：

Fork 本仓库。
创建功能分支：git checkout -b feature/new-scene
在对应的技能目录中添加或修改场景。
使用示例图片测试你的改动。
提交 Pull Request，附上清晰的变更说明。

开发规范：

每个技能目录遵循 OpenClaw 技能规范：SKILL.md + scripts/ + references/。
scan.py 是统一的执行入口——修改 CLI 接口时需同步更新三个技能。
场景匹配按优先级排序——将更具体的场景放在通用场景之前。
所有响应必须是合法的 JSON——下游系统直接解析。

开源协议

本项目基于 Apache License 2.0 开源。

夸克扫描王 API 是由夸克（阿里巴巴集团）提供的第三方服务，使用需遵守其服务条款。

致谢

OpenClaw — 驱动这些技能的 Agent 框架。
夸克扫描王 — 文档 AI 引擎与云基础设施。

由 Yescan 团队用心打造

获取 API Key · 反馈问题 · 社区讨论

Name		Name	Last commit message	Last commit date
skills		skills
README.md		README.md
llms.txt		llms.txt

Navigation Menu

Uh oh!

Repository files navigation

Alibaba Quark Scanking Skills

强大的文档 AI 能力，为 OpenClaw Agent 而生

OCR 文字识别 | 文件扫描增强 | 图片转 Office

目录

核心特性

支持场景

🔍 OCR 文字识别

OCR效果展示

📷 文件扫描增强

文件扫描增强效果展示

📄 图片转 Office

图片转 Office 效果展示

快速开始

环境要求

安装

配置

使用示例

OCR 示例

扫描示例

转换示例

架构设计

API 参考

错误码说明

使用限制

常见问题

贡献指南

开源协议

致谢

About

Releases

Packages

Contributors

Languages

Uh oh!

Latest commit

History

Folders and files

Repository files navigation

Alibaba Quark Scanking Skills

强大的文档 AI 能力，为 OpenClaw Agent 而生

OCR 文字识别 | 文件扫描增强 | 图片转 Office

目录

核心特性

支持场景

🔍 OCR 文字识别

OCR效果展示

📷 文件扫描增强

文件扫描增强效果展示

📄 图片转 Office

图片转 Office 效果展示

快速开始

环境要求

安装

配置

使用示例

OCR 示例

扫描示例

转换示例

架构设计

API 参考

错误码说明

使用限制

常见问题

贡献指南

开源协议

致谢

About

Topics

Resources

Stars

Watchers

Forks

Releases

Packages

Contributors

Languages