Dify工作流的使用(三)表格OCR

这段时间，陆续分享了不少关于知识库搭建和大模型使用的基础流程。今天咱们玩点更具体的——用Dify工作流做一个表格OCR的demo。如果你已经跟过前面的教程，那这个其实也不难理解，本质上就是把之前学到的视觉模型能力套用到表格识别上。

先聊个题外话（纯个人视角）

如果你之前写过一些简单的图像分类demo，比如猫狗识别那种，可能会有一个困惑：这种专门的小模型和大模型到底区别在哪？或者换句话，大模型里的“大”到底怎么和那些专业模型共存？昨天碰巧看到个关于大模型架构的视频，听完后豁然开朗。其实大模型内部往往嵌套着一些专门的小模型，中间通过Transformer这类机制做调度。提示词之所以有效，很大程度上就是在引导中间层去调用合适的子能力。这个理解可能不严谨，但至少帮我把大模型和传统专业模型的关系理顺了——它们不是替代关系，是协作关系。

本期实操：用工作流做一个表格OCR

过去处理表格识别，通常有几种路子：

1. 最原始的是用OpenCV定制化检测表格框线，但无法直接提取文字。
2. 专用模型如PaddleOCR、阿里读光的有线/无线表格识别算法，效果不错但部署麻烦。
3. 自己写Python/C++调用这些模型，编译和集成成本不低。

今天试一个更轻量的方案：用大模型视觉能力直接识别表格内容。你可以自行对比效果，同时关注一下模型调用的费用——专业模型官网都有价格表，大模型同样有API计费。两者差异在于：专业模型返回的结果通常带坐标信息（比如每个单元格的位置），而大模型可能只输出纯文本（除非提示词写得够细）。这取决于你的实际需求，多一种选择总没错。

整体流程概览

• 模型必须选择视觉模型，否则其他类型模型会一直提示“没有文件上传”。
• 提示词要写到位，比如这样：

#角色：你是一位精通OCR表格提取专家
#任务：你的任务是对用户上传图片中表格的内容进行提取，提取内容为字符串形式

• 其他配置和之前介绍的工作流demo基本一致，参考之前的文章即可。