必须使用火山引擎「文字识别智能体」服务，通过中文提示词明确指定字段并框选区域，调用其专属API传入prompt与region坐标，才能精准提取图片中指定字段。
☞☞☞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☜☜☜
要在火山引擎上让模型只提取图片中你关心的几个字段（比如身份证上的姓名、有效期、号码，或发票上的开票日期、金额、税号），而不是返回全部文字，必须绕过通用OCR接口，使用支持提示词驱动的结构化抽取能力。
确认可用服务入口
登录火山引擎控制台 → 进入「AI MediaKit」服务 → 在左侧导航栏点击「智能体（Agents）」→ 找到并进入「文字识别智能体」页面。该智能体是唯一支持通过自然语言提示词控制字段输出的OCR类服务，标准OCR API和image-ocr同步接口均不接受提示词参数。
注意：若页面未显示「文字识别智能体」，说明当前账号所在地域未开通该功能，需切换至北京或上海地域重试。
准备带定位需求的提示词
在智能体配置页的「提示词（Prompt）」输入框中，用中文明确写出你要提取的字段名，并强调“仅返回以下字段”“不要解释”“不要补充其他内容”。例如：
【仅提取以下3个字段，严格按顺序、无额外文本、无标点包裹：姓名、身份证号码、有效期限】
这一步不能写成“请帮我识别身份证”，否则模型会返回整张图所有可读文字；也不能混用中英文字段名（如“name”“ID number”），会导致字段漏提或格式错乱。
上传图片并选择识别范围
点击「上传图片」按钮，选择本地含目标字段的清晰截图或扫描件（JPG/PNG，≤5MB）。
上传成功后，页面自动加载图片预览。此时必须手动操作：点击左上角「区域选择」工具 → 用鼠标拖拽框选包含全部目标字段的最小矩形区域（例如只框住身份证正面下半部分，避开国徽和签发机关）。【跳过此步将触发全局识别，无法实现字段定向】
框选后，右侧面板会显示“已选中区域”，确认无误再点击「开始识别」。
调用API时注入提示词与区域坐标
若需程序化调用，不可使用基础OCR接口。必须调用文字识别智能体专属API：
POST https://mediakit.cn-beijing.volces.com/api/v1/agents/text-recognition/invoke
请求体（JSON）中需同时包含三个关键字段：
– image_url 或 base64_image（二选一）
– prompt（即上一步写的中文提示词）
– region（JSON对象，含 top_left_x、top_left_y、bottom_right_x、bottom_right_y 四个整数坐标值，单位像素）
region坐标必须与你在Web界面框选的区域完全一致，否则模型仍会看全图。坐标获取方式：上传后在Web端框选，页面底部会实时显示当前框的四个数值，直接复制即可。
