LongCat AI不直接解析PDF手写备注，而是通过中文OCR反馈与离散Token表征，协同TextIn xParse、GOT-OCR等工具实现手写区域检测、识别修复与结构化溯源，形成可控可反馈的感知闭环。
☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 多模态理解力帮你轻松跨越从0到1的创作门槛☜☜☜
Longcat AI 本身并不直接提供 PDF 手写备注的端到端解析能力。它核心定位是多模态图像编辑模型（如 LongCat-Image-Editn v2 和 LongCat-Next），擅长“理解图片中的文字+按指令修改图像”，而非专业文档结构化解析。但它的技术路径——特别是 中文 OCR 反馈机制 和 统一离散 Token 表征——为手写备注识别提供了关键底层支撑。
真正实现 PDF 中手写备注精准解析的，是与其能力互补、协同工作的专业文档解析工具（如 TextIn xParse、GOT-OCR）和预处理流程。Longcat 的贡献在于让这个过程更可控、可反馈、更适配中文场景。
以下是实际可行的技术链路：
第一步：PDF 转图像 + 预处理
手写备注通常出现在扫描 PDF 的页边、段落旁或表格空隙中，属于低对比度、非结构化区域。
- 先将 PDF 每页导出为高分辨率 PNG/JPG（避免压缩失真）；
- 使用 TextIn xParse 或 Dolphin-v2 进行倾斜校正、背景去噪、局部对比度增强——尤其针对手写区做“文字区域聚焦”处理；
- 对模糊或连笔严重的区域，可调用 GOT-OCR（专为手写体优化）进行单区域重识别。
第二步：手写区域检测与分离
Analyze Video By Qwen Free
下载
Qwen 视频智能分析基础客户端（免费版），基于 Qwen 3.5 Plus 多模态模型对本地视频进行内容分析，支持场景描述与基础内容理解，采用默认抽帧频率和提示词，适合快速概览视频，API Key 读取自 ~/.skill-platform/skill-platform.json 的 skills 配置。
- 不依赖通用 OCR 的整页扫描，而是先用布局分析模型（如 Nougat 或 Marker）区分“印刷正文”“表格”“手写批注”三类区域；
- 手写部分常表现为孤立墨点、自由线条、无对齐文本块，模型通过笔迹纹理、像素分布密度和空间位置特征识别并裁切；
- LongCat-Next 的离散 Token 编码方式，能将这类非结构化笔迹映射为语义连贯的视觉 token 序列，便于后续对齐文本语义。
第三步：OCR 识别 + 上下文修复
- GOT-OCR 或 PaddleOCR 的手写识别模型对裁切后的图像进行字符级识别；
- 识别结果易出现形近错字（如“己/已/巳”、“0/O/ο”），此时引入语言模型（如 Qwen2.5）做上下文修复：
- 若手写内容在“第3条”旁标注“✓”，模型结合条款语义判断为“已确认”；
- 若批注为“补发票”，上下文若属报销单，则自动修正“发飘”“发漂”等 OCR 常见误识；
- LongCat-Image-Editn v2 的中文 OCR 反馈机制，可在识别阶段实时提示“该区域置信度低于60%，建议人工复核”，减少盲信输出。
第四步：结构化对齐与溯源
- 将识别出的手写文本，连同其原始坐标（x, y, width, height）、所属页面、邻近段落ID，一并存入 JSON 或 Markdown 输出；
- 实现“点击某句手写内容 → 自动高亮 PDF 原图对应区域”，满足律师、审稿人等对证据溯源的硬性要求；
- LongCat-Next 的跨模态 token 空间，使得“手写文字 token”与“附近印刷体 token”在嵌入层自然靠近，为后续问答、摘要生成提供语义基础。
简而言之：Longcat 不直接“读手写”，但它把图像里的手写痕迹变成 AI 能持续对话、能主动反馈、能与其他文字对齐的数字信号——这正是传统 OCR 工具做不到的“感知闭环”。
