文档处理

简单说：这是 Cherry Studio "把 PDF / 图片 / 扫描件认出文字" 的中央配置。

举几个例子，下面这些事都依赖它：

• 你把一份扫描的合同 PDF 拖进对话框，想让 AI 读懂内容
• 你把一堆图片格式的发票放进知识库，希望以后能搜
• 你的 Agent 要打开本地文件夹里某张截图分析

这些场景背后都需要先把"图像里的文字"变成"可以被 AI 读的文字"，这一步技术上叫 OCR（Optical Character Recognition，光学字符识别）。

Cherry Studio 把 OCR 配置统一放在一个设置页：你在这里配一次，所有用到 OCR 的地方都会用同一套配置。

配置入口

打开 设置 → 文档处理：

文档处理设置面板

面板分两块，分别管"图片识字"和"PDF 解析"。

1. OCR 服务 — 给图片认字

适用对象：图片（截图、扫描件）、需要先识别为文字才能被 AI 读取的内容。

• macOS：选择「系统 OCR」即可，无需任何配置，借用系统自带的识图能力，离线、免费 ✅
• Windows：选择「系统 OCR」开箱即用；如需识别非英文 / 中文以外的语种，需要在 Windows 系统中下载对应语言包
• Linux / 进阶：可选 Tesseract、Paddle OCR、OpenVINO 等

OCR 引擎对比

引擎	适合谁
系统 OCR	最简单，免配置，效果通常足够
Tesseract	经典开源 OCR，已内置在 Cherry Studio 中，支持自定义语言
Paddle OCR	中文识别效果更好（百度开源），需要"星河社区访问令牌 + API URL"
OpenVINO	Intel 显卡可加速

不确定时用默认系统 OCR，识别效果不佳再换。

2. 文档处理服务商 — 给 PDF / 复杂文档做结构化解析

适用对象：带表格 / 多栏 / 扫描页的 PDF、长文档。普通纯文本 PDF 直接读就行，无需经过这里。

服务商	简单说明
MinerU（默认）	免费云服务，专攻复杂版式 PDF（学术论文、合同等），需到 mineru.net 注册获取 API Key
Paddle OCR	离线方案，需配置星河社区访问令牌
三方 Provider	调用你已配置的某家 AI 服务商的视觉模型来识别（效果更智能但需付费）

配置 MinerU（默认方案）

1. 在 API Key 字段填入 MinerU 申请到的 key
2. API Host 保持默认 https://mineru.net
3. 切换到知识库或 Agent 时无需额外配置，会自动使用此处的设置

与知识库的关系

• 文档处理仅负责"非文本 → 文本"这一步
• 转换后的文本继续走 嵌入模型 向量化、入库
• 详细的"在知识库中启用"流程见 知识库文档预处理

何时不需要配置

• 你只用知识库导入纯文本（.md / .txt / .docx 中的纯文字段落）→ 完全不经过文档处理
• 你只用对话功能、不传文件 → 同上

提示与技巧

• MinerU 对带表格 / 多栏排版的 PDF 效果显著优于 Tesseract，遇到学术论文等首选
• 离线场景请用 Paddle OCR 或 Tesseract（无网络也能跑）
• 切换处理器后，之前已向量化的资料 不会自动重做 —— 需手动重新导入

---

💡 获取帮助与提交反馈

如果您在配置或使用过程中遇到任何疑问、Bug 或有功能改进建议，请参考 反馈与建议 中提供的官方渠道。