multimodal-parser
SKILL.md
📄 多模态内容解析器
核心亮点
- 🔄 统一接口：一套API支持图片/PDF/Word/音频4大类格式解析，不需要对接多个服务
- 🚀 开箱即用：内置OCR、音频转文字、文档解析能力，零配置即可使用
- 📝 多格式输出：支持纯文本/Markdown/结构化JSON三种输出格式，适配不同LLM处理需求
- 💡 友好错误提示：依赖缺失时自动给出安装命令，新手也能快速上手
🎯 适用场景
- 多模态Agent的内容解析层
- 文档问答、知识库构建场景的文件预处理
- 图片OCR识别、语音转文字需求
- 批量文档解析与结构化处理
📝 参数说明
| 参数 | 类型 | 必填 | 默认值 | 说明 |
|---|---|---|---|---|
| file_path | string | 是 | - | 要解析的文件路径 |
| file_type | string | 否 | auto | 文件类型：image/pdf/docx/audio/auto |
| output_format | string | 否 | text | 输出格式：text/markdown/structured |