llm_aided_ocr

收录理由

处理扫描档案或旧信函的人都知道，纯靠OCR出来的文本往往错漏百出。这个项目把流程拆成两步：先用Tesseract做初步识别，再让大语言模型通读结果，修正错字、把断开的词拼回去，并将版面整理成易读的Markdown。敏感材料可以调用本地模型，不愿折腾硬件时也能交给OpenAI或Anthropic的云端接口。长文档靠重叠切块来保持上下文连贯，还能选择去掉页眉页码，最后附带的质检环节让你对输出心里有数。对经常要整理法律文件、旧书信这类扫描PDF的团队来说，它省下的正是过去只能靠人慢慢打磨的枯燥功夫。