package com.custom.webui.dto.resp; import lombok.Data; import java.util.ArrayList; import java.util.List; /** * 图片文字识别结果。 * *

用于「对话时上传图片」:前端上传图片 → 后端调 Python OCR → * 把识别出的文字作为上下文拼进 prompt 发给大模型。 * *

之所以走「先 OCR 再喂文本」而不是「把图片直接给模型」: * 当前配置的 Ollama 模型(如 qwen2.5:7b)是纯文本模型,不支持图像输入。 * OCR 这条路对所有模型都通用,也是「让大模型读懂截图」最省事的做法。 * 若将来换用视觉模型(如 qwen2.5-vl),可以在此基础上扩展成直接传图。 */ @Data public class OcrResultDTO { /** 原始文件名 */ private String filename; /** 识别出的完整文本(各文本块按阅读顺序换行拼接) */ private String text; /** 识别到的文本块,含包围盒与置信度,供前端在图上标注 */ private List blocks = new ArrayList<>(); /** 实际使用的 OCR 引擎:vision / rapidocr */ private String engine; private Integer imageWidth; private Integer imageHeight; private Integer charCount; private Long elapsedMs; /** 上传后的文件 id(若图片已存入 upload_file) */ private Long fileId; /** 图片访问地址,供前端在消息里显示原图 */ private String imageUrl; /** 单个文本块 */ @Data public static class Block { private String text; private Double confidence; /** 包围盒 [x1, y1, x2, y2] */ private List box; } }