别急着让 AI 读图，先 OCR 能省一大笔 Token
我拍下了很多会议 PPT，真正需要时却找不到。把图片交给知识库之前，我先在本地跑通了 OCR。
照片保存在相册里，不代表它已经进入了我的知识库。
我拍下了很多，真正需要时却找不到
每次出去参加分享会，我都有一个很熟练的动作：掏出手机，对着大屏幕拍照。
这页讲得不错，先拍下来。那张图以后可能用得上，也先存着。遇到来不及记笔记的地方，我甚至会连着拍好几张，生怕漏掉什么。
网络会议也一样。老师切到一张重要的图，我会立刻截图，然后很安心地告诉自己：没关系，我已经保存了。
那一刻，我是真的觉得自己把知识带回来了。
可活动结束以后，它们只是安静地躺进了手机相册和电脑文件夹。
但真正要用的时候，我还是只能一张张往回翻。
我可能记得“有位老师讲过一个方法”，却记不起是哪场活动、哪一页 PPT，更不记得当时的完整上下文。
更麻烦的是，我能看懂这些图片，电脑里的搜索框看不懂，我的知识库也搜不到。
有时候翻了半天没找到，我甚至会怀疑：那一页真的是我拍过，还是我只是记得自己拍过？
这些资料明明存在，却跟没有进入系统差不多。
我保存下来的不是知识，只是一堆以后还要靠自己重新辨认的照片。
AI 不是看不懂图片，而是还搜不到它
现在很多多模态 AI 都能读取图片。但我的知识库在检索时，主要搜索的还是文字。
一张 PPT 照片放进文件夹，系统最先看到的可能只有文件名：
IMG_XXXX.jpg
至于图片里写了什么、讲了什么，它并不会自动变成可搜索的内容。
所以在清洗、切片、向量化和 RAG 之前，我还需要补一个看起来很基础、却绕不过去的动作：
先把图片里的字，重新变成文字。
这就是 OCR。
说得简单一点，它负责“认字”。图片还是原来的图片，但里面的标题、段落和数字，会多出一份可以保存、搜索和处理的文字版本。
OCR 之后，那些原来只能靠我一张张翻的 PPT，才第一次有机会被搜索、被引用，也被我以后重新找到。
我没有把所有图片都交给大模型
最直接的做法，是把图片一张张发给视觉大模型，让它识别和整理。
少量图片当然可以这样做。但当文件开始变多，我更希望把“认字”这件事先放在本地完成。
原因并不复杂：
- 图片不用先上传到外部服务；
- 可以在电脑里批量处理；
- 同一批资料重新扫描时，不需要再次调用大模型；
- 单纯的文字识别，不一定需要大模型参与推理。
于是，我把这件事交给了 AI。
不是把所有图片直接发给它，让它替我看一遍；而是让它像一个坐在我旁边的技术搭子，在我的电脑里寻找、安装和测试开源 OCR 工具。
我负责告诉它“我想得到什么”，它负责一个方案不行，就继续排查下一个。
我原本以为，找一个支持中文的项目装上，就可以开始跑了。
事实证明，事情没有我想得那么顺利。
为了让电脑认字，我换了四次方案
第一轮尝试的是 Tesseract。
看到安装成功的时候，我以为第一步已经过了。结果中文语言包没有顺利准备好。只有英文识别时，中文 PPT 的效果基本没法用。
第二轮换成 EasyOCR。
安装完成了，模型文件却没有完整下载下来。屏幕上又是一串报错，任务还是没跑起来。
第三轮是 PaddleOCR。
这一次连模型都下载好了，我又觉得：应该总算可以了吧。
结果运行时遇到底层兼容问题，图片依然没有成功处理。
那种感觉很像门已经打开了一条缝，走近以后才发现，里面还有一扇门。
最后，AI 又帮我换成了 RapidOCR。
它把 PaddleOCR 的模型转换成更容易跨平台部署的格式，可以通过 ONNX Runtime 在本地运行。
当第一张图片终于输出一段可以复制、可以搜索的文字时，我盯着屏幕看了一会儿。
那不是什么惊天动地的结果。只是原本困在图片里的几行字，终于从照片里走了出来。
对我来说，最重要的不是它的技术名字，而是：它终于在我的电脑上跑通了。
线下拍摄的 PPT、网络会议截图和扫描图片，被批量识别成文字，再按照原始图片顺序保存下来。
前面失败的三次并没有白费。至少它们让我知道，工具介绍页上的“支持”，和真正落到自己的电脑上，中间还有一段路。
这段过程也让我重新理解了一件事：
开源项目写着“支持中文”，不等于它一定能在你的电脑上顺利运行。真正适合自己的工具，是那个能稳定完成任务的工具。
本地 OCR，真的不消耗 Token 吗？
跑通以后，我很快又冒出了一个现实问题：这么多图片批量处理，会不会一直消耗 Token？
答案是，如果 RapidOCR 在本地识别图片，它不需要调用大语言模型 API。
它主要消耗的是电脑本身的资源：CPU 或 GPU、内存、运行时间和硬盘空间。
这些动作不消耗大模型 Token：
- 检测图片里的文字区域；
- 识别中文和英文；
- 批量处理本地图片；
- 把结果保存成 TXT 或 Markdown；
- 将 OCR 文字和原图一起留在本地。
但这不代表整套知识库都不消耗 Token。
当我继续让大模型做下面这些事情时，才会真正用到 Token：
- 修正和整理 OCR 文字；
- 恢复标题、段落和列表结构；
- 总结一场分享的核心观点；
- 提取方法、案例和行动清单；
- 对不同来源进行比较和推断；
- 在知识库问答时，阅读检索结果并生成回答；
- 如果使用外部 Embedding API，向量化也可能按输入 Token 计费。
这也是我越来越喜欢“本地先处理”这件事的原因。
能在电脑里安静完成的重复工作，就先留在电脑里完成。真的需要理解、比较和判断时，再请大模型进来。
所以，我现在更愿意这样理解：
本地 OCR 负责认字，大模型负责理解和判断。先让电脑做确定性的重复工作，再把 Token 花在真正需要思考的地方。
识别正确，不代表内容可信
图片变成文字以后，我一开始其实很开心。终于能搜了，好像这批资料已经被救活了。
但很快我发现，还有一个更容易被忽略的问题：OCR 识别出来的内容，能不能直接相信？
不能。至少不能不看原图就直接相信。
这里其实有两层完全不同的检查。
第一层：检查字有没有认错
OCR 最容易出问题的，往往不是普通段落，而是：
- 数字和百分比；
- 人名、品牌名和英文缩写；
- 表格的行列关系；
- 图表里的单位；
- 被反光、裁切或遮挡的文字；
- 网络会议截图里较小、较模糊的内容。
我不希望知识库把一个识别错误的数字，整理成一句语气笃定的结论。
所以我会保留原始图片，并让 OCR 文字始终可以回到对应的那一页。
遇到数字、仪表盘和复杂表格时，还需要人工抽查；无法确认的内容宁可标记为模糊，也不把它修成一个看起来很合理的数字。
第二层：检查这个观点是否可靠
即使 OCR 一个字都没有认错，也只能证明：
这张 PPT 上确实写了这句话。
它不能证明这句话一定正确。
因此，资料进入知识库时，我还会尽量保留活动时间、分享者、原始文件和页面位置。有逐字稿时，用逐字稿补足 PPT 没有写出的前提；涉及平台规则时，再去找官方资料；遇到重要判断时，再看有没有独立来源支持。
同一张 PPT 被保存成图片、OCR 文本和 Markdown，仍然只算一个来源。它只是换了三件衣服，并没有获得三次独立证明。
如果只有一位分享者提过，我会把它标成“单一来源观点”；如果不同来源互相冲突，知识库也不应该替我假装它们已经达成一致。
图片变成文字，只是刚刚开始
OCR 跑通以后，那些照片对我来说终于不再只是“参加过一场活动”的相册记录。
我开始可以搜索这些会议 PPT 了。
以前要靠记忆翻相册，现在至少可以从一个关键词找到对应文字，再回到原始图片核对。
那些我当时觉得“以后可能有用”的内容，终于真的有机会在以后被找到。
但它并没有让资料立刻变得完美。
拍歪的页面、复杂的表格、模糊的数字，依然需要复核。不同场次里重复出现的内容、旧版本与新版本互相冲突的问题，也还没有解决。
这一步没有让我的知识库突然变得很聪明。
它只是先帮我把散落在照片里的内容，一点点捡了回来。
OCR 解决的是“看不见”。
下一步要解决的，是“看见了太多重复和噪声”。
下一篇，我再讲资料变成文字以后，为什么还要清洗和去重。
如果你也想试试看
最后，把这次真正帮我跑通的工具留在这里。
它不一定适合每一台电脑，但如果你也有一批躺在相册里、一直没法搜索的图片，可以先从 RapidOCR 开始了解。