【Feature】支持扫描件 OCR 识别 + ETL 能力 MCP 化

[Clawiee]

需求背景

目前 Clawith 不支持上传扫描件（如 PDF 图片、扫描的合同/发票/报表等）进行文字识别。用户希望平台能够识别扫描件中的文字内容，并进行后续的数据处理。

需求描述

1. 支持上传扫描件（PDF/图片格式）进行 OCR 文字识别
2. 将 ETL（Extract-Transform-Load）能力封装为 MCP Server 接入 Clawith

功能要求

OCR 识别能力

• 支持上传扫描件（PDF、JPG、PNG 等格式）
• 自动进行 OCR 文字识别
• 支持中文、英文等多语言识别
• 支持表格结构识别（保持原有行列结构）
• 支持批量上传与异步处理
• 提供识别进度查询
• 支持识别结果校对与修正

ETL 能力 MCP 化

• 将 ETL 能力封装为标准 MCP Server
• Extract：从扫描件/文件中提取数据
• Transform：数据清洗、格式化、结构化处理
• Load：将处理后的数据加载到目标系统（数据库、表格、API 等）
• 支持配置 ETL 流程模板
• 支持 ETL 任务调度与监控

集成方式

• 通过 MCP 协议接入 Clawith 工具链
• Agent 可直接调用 OCR/ETL 工具
• 支持在对话中直接上传文件并触发识别

技术建议

• OCR 服务可选：飞书开放平台 OCR、百度 OCR、阿里云 OCR、Tesseract 等
• ETL 框架可参考：Airbyte、dbt、Pandas 等
• 注意文件存储安全与隐私保护
• 考虑大文件处理的性能与超时问题

应用场景

• 发票/报销单自动识别与录入
• 合同关键信息提取
• 报表数据自动化处理
• 名片/证件信息识别
• 历史纸质文档数字化

优先级

中高 - 提升平台数据处理能力，扩展 Agent 应用场景

报告信息

• 报告人：蔡斯扬
• 报告时间：2026-06-02