WorkBuddy 怎么识别图片内容：截图转文档、图里的表格转 Excel、批量票据整理

2026-08-08

图片识别的脾气用过的人都知道：大部分时候好得出奇，偶尔错得毫无预兆。而且它错的方式很讨厌——不是空着不填，是给你填一个看起来很合理的值。金额里的 3 认成 8，日期里的 1 认成 7，表格某一行因为线条断开被并进上一行。这些错混在一整页整整齐齐的输出里，扫一眼根本看不出来。

所以把图片交给 WorkBuddy（Tencent WorkBuddy）这类桌面工作台，重点不在”它能不能认”，而在你怎么让它把没认准的地方交代出来，以及你自己该核哪几处。

一、先分清你手上是哪一类图

三类图难度完全不同，混着交出去只会得到一份混着错的产出：

类型	典型来源	难点
截图转文档	网页截图、聊天记录截图、幻灯片翻拍	版面顺序、多栏分列，通常字迹清晰
图里的表格转 Excel	报表照片、系统界面截图、纸质表格拍照	行列对齐、合并单元格、表格线断裂
批量资料照片整理	票据、名片、证件照、随手拍的资料	数量大、清晰度参差、要归类命名

第一类最容易成，第二类看表格本身规整程度，第三类的坑不在识别而在量——一百张里错三张，不逐张看就不知道是哪三张。

二、把图递进去，以及选哪个模型

官方文档在讲添加上下文时列了四种方式：用 @ 引用文件或文档、Ctrl/Cmd + V 粘贴截图、上传或拖拽文件、补充说明。截图场景用第二条最省事——不用先存盘再找路径，光标点进输入框粘贴就行；批量图片资料则适合放进工作目录，让它按目录读。

模型这层要留意。官方内置模型表里给了明确分工，其中 Kimi K2.5 的适用场景写的是「截图分析、图片转文档等视觉类任务」；同一份文档还注明，实际可用模型列表可能随产品版本、账号类型和服务可用性变化。所以别把某个模型名当常量记，看当下版本里哪个标着视觉类用途就用哪个，也可以开自动模式（Auto）让它自行选择。

这不是可选项。官方常见问题里专门有一条「无法读取图片」，给出的常见原因就是当前模型不支持对应文件类型，或者没安装相关插件与 Skill；官方做法是切换到支持图片输入的模型、把需求分步骤描述让它逐步完成环境安装与文件处理、并在插件或技能市场安装文档处理类插件与 Skill。遇到”图片发进去它却在打太极”，先怀疑模型选错了。

模式上，只读一张图出一段文字，用只问答不改文件的「问一问（Ask）」就够；一旦要批量改文件名、往目录里写产出，官方建议是处理重要文件前先备份。

三、指令怎么写：三条可直接复制的

官方《创建任务》给的四要素是目标 / 输入 / 输出格式 / 约束条件。识别类任务的特殊之处在于，第四项”约束”要多担一个职责：逼它把不确定的地方标出来。

3.1 截图转文档

【输入】我粘贴的这几张截图，是同一篇文章的连续页面，按粘贴顺序排列。

【目标】把截图里的文字完整转成可编辑文本，保留原有的标题层级和段落顺序，
不要改写、不要总结、不要补充原文没有的内容。

【输出格式】生成 Markdown 文件，保存到 D:/资料/截图整理 目录，
文件名为「原文整理_2026-08-08.md」。

【约束】遇到识别不清的字，用 ⬜ 占位，不要猜；
在文末单独列一份「存疑清单」，写明每处 ⬜ 出现在第几段、上下文是什么。
表格和图片说明单独成块，不要并进正文段落。

那句 ⬜ 占位最值得抄走。它默认不会主动汇报不确定性，你不要求，它就用一个看着通顺的字填上去；给一个明确的占位符号和一张清单位置，等于把”哪里没把握”搬到了纸面上。

3.2 图里的表格转 Excel

【输入】D:/资料/报表照片 目录下的 3 张照片，是同一张报表的左中右三段。

【目标】还原成一张完整表格，表头以第一张照片为准，
后两张按列拼接，行序保持一致。

【输出格式】生成 Excel 文件，保存到同目录，文件名为「报表还原_2026-08-08.xlsx」。
数字列存成数值格式，不要存成文本。

【约束】只填照片里能确认的内容，看不清的单元格留空并填 ⬜，不要根据上下行推算；
拼接后另起一个工作表，列出所有含 ⬜ 的单元格坐标，以及行数与原表是否一致的核对结果。
不要修改任何数字的量级和小数位。

两处是照着官方 FAQ 加的。一是输出格式写死：官方「生成的文件打不开」一条给的常见原因就是没在需求中明确指定输出文件类型，做法是下达任务时说清要 Word、Excel 还是 Markdown。二是”不要根据上下行推算”——表格最容易触发合理推断，一列数字缺一个，补个符合趋势的值太容易了。

3.3 批量票据、名片、资料照片整理

官方《实践案例》第一篇正好给了范式，针对的就是目录中大量命名混乱的图片、合同、票据：「请读取这个文件夹中的文件内容或文件属性，按日期 + 主题 + 类型的规则批量重命名，并先展示重命名预览结果。」

“先展示预览结果”是官方原话里带的，别删——批量改名跑完再发现错，得一张张改回来。补两条约束就能用：

【输入】D:/票据/2026-08 目录下的全部图片。

【目标】读取每张图片的内容，提取日期、金额、开票方、票据类型四项，
先输出一张对照表（原文件名 / 提取到的四项 / 建议新文件名），
确认后再执行重命名，规则为 日期_开票方_类型。

【输出格式】对照表先在对话里以表格呈现；
确认后另存一份 Excel 到 D:/票据/2026-08/汇总 目录。

【约束】任何一项没认清就在该单元格填 ⬜，并在表格最后一列标注"需人工确认"；
不要合计金额，不要做任何汇率或税额换算；
重命名前先展示预览，我确认后再执行。

官方上手技巧里有一条”小步快跑”，主张把大任务拆成独立小目标一次推进一步，好处是发现偏了及时拉回，而不是最后整份推翻。批量识别正是最适用的场景：先出对照表，再执行改名，中间那道确认是你唯一能拦住错误的地方。

四、交付物落在哪

产出去向要在指令里说死。官方建议使用前先设置工作目录，未指定路径的任务也优先在这个目录内执行，并特意建议按任务类型分别建目录，举的例子就包括”发票整理”和”待处理照片”。识别类任务尤其该照办——原图和产出混在一起，跑第二轮时它很可能把上一轮的产出当成新输入。执行中右侧详情面板可以看到产物、全部文件和文件变更，批量任务跑完先看”变更”这一栏，比逐个打开文件快。

五、验收：命门全在数字上

写作类你读一遍就知道好不好，识别类你读一遍只能确认”通顺”，而通顺恰恰是错误最好的伪装。按这个顺序过：

先看存疑清单有几条。 要求了 ⬜ 占位、产出却一个都没有，别高兴太早：原图有模糊、有手写、有压折痕却零存疑，多半是在硬猜，这时直接追问”哪几处不太确定，按把握程度从低到高列出来”。官方说明继续追问会基于之前的上下文处理，不需要重复描述背景。
逐项核数字。 金额、日期、编号、电话必须逐个对着原图看，不能抽查。它们没有语义冗余：一句话里错一个字你看得出来，一串数字里错一位神仙也看不出来。
核条目数量。 表格核行数，票据核张数，名片核人数。对不上说明有整行整张被漏掉或被合并，这比单字识错严重得多。
核顺序和归属。 多张截图拼接最典型的错是顺序错位；多栏版面最典型的错是把右栏内容接到左栏后面。
手写、竖排、盖章遮挡处单独看。 这三种是公认的高错区，值得先跳过去看。

整体质量不行时别一句句改。官方”不满意就调整”给的四种方式里，识别任务最管用的是补充限制条件：补一句”第一列是日期不是编号""金额都是两位小数”，比让它重认一遍更有效。若长时间无响应或胡乱输出，官方口径是先切换模型、把任务拆得更小——批量图片本就是重任务，五十张一次跑不动，拆成五轮更稳。

六、这几种情况别交给它

第一，票据金额直接入账。 识别结果只能当录入草稿。错误的形态是”合理的错值”，记账一旦错了，往后每一步对账都得回来重查。要用就走”识别出草稿 → 人工逐笔核对 → 再入系统”，中间那步不能省。

第二，需要法律效力的证件信息录入。 合同主体、证件号码、签署日期这类字段，错一位的后果不是返工而是纠纷。正确用法是让它帮你列出需要核对的字段清单，人来填。

第三，大量手写体。 连笔、涂改、行距不齐都会显著拉低准确率，且错误分布不均——同一个人的字，一页里可能一半认得很准、另一半全靠猜。几十上百张手写件，逐张核对的时间很可能超过自己录入。

最后一条与其说不适用，不如说是必须带的前置动作：批量操作前先备份。官方上手技巧第 8 条说得很直接，它可能”改过头”——删掉你想保留的内容、打乱原有格式，建议动手前先复制一份备份，文件名加 _备份 或当天日期；成熟的用法不是期待它永不出错，而是提前准备好回退方案。官方常见问题里还记录过一个更具体的风险：有用户下发整理桌面的指令后执行完成，但部分文件疑似丢失，官方做法是执行前先备份、执行后优先检查目标整理目录与回收站。图片尤其经不起丢——文档丢了还能从聊天记录里翻回来，随手拍的票据照片丢了就是真没了。

小结

指令按目标 / 输入 / 输出格式 / 约束四要素写，输出格式写死，约束里要求用占位符标出不确定处并单列清单；批量改名一律先要预览再执行；验收从存疑清单看起，数字逐项核、条目数量核、顺序归属核。

至于它认没认准这件事，它自己是不知道的。这道关只能你来把。