Jak używać IronOCR z ChatGPT Codex
Typowym problemem w początkowych podejściach do OCR wspomaganych przez AI jest to, że deweloperzy wklejają niekompletne importery skanów do chatu, otrzymują pozornie pełny kod, a później odkrywają błędne sumy lub nieprawidłowe wywołania konfiguracji z innych opakowań Tesseracta. Takie błędy są kosztowne w przypadku dużych API, ponieważ silniki OCR z wieloma filtrami, językami i formatami wyjściowymi oferują wiele możliwości do popełnienia błędów.
IronOCR odczytuje tekst, kody kreskowe i komórki tabel na skanowanych stronach bezpośrednio w aplikacji .NET, lokalnie i bez usługi w chmurze.
Szybki startOtworzyć Codex w nowym projekcie konsolowym i określić pożądany wynik, a Codex wybierze odpowiednie wywołania API.
$ironocr Add the IronOcr package, then update Program.cs to turn a scanned
multi-page PDF into a searchable one. Print the page count and the overall
confidence before the file is written. Read the license key from the
IRONOCR_LICENSE_KEY environment variable. Then run dotnet build and fix any
errors.
Prefiks $ironocr ładuje skill.md IronOCR, zapisane w repozytorium jako .agents/skills/ironocr/SKILL.md, więc Codex odczytuje przepisy IronOCR i znane poprawki przed napisaniem kodu.
Minimalny proces (5 kroków)
- Pobierz bibliotekę OCR w C# z NuGet
- Zadedykuj
AGENTS.md, który wskazuje na IronOCR jako silnik OCR repozytorium - Rozpocząć każde zadanie Codex na czystej gałęzi i opisać strony oraz wartości, które przechowują
- Pozwolić Codex edytować pliki i uruchomić
dotnet build, a następnie przeanalizować różnice przed ich akceptacją - Porównać wyodrębnione wartości z znanymi stronami i zweryfikować każdego członka w dokumentacja API
Czym jest ChatGPT Codex i jak pasuje do pracy z OCR w .NET?
ChatGPT Codex to agent programowania od OpenAI. Może analizować kod, edytować pliki i uruchamiać polecenia w repozytorium. Zainstalować CLI za pomocą npm install -g @openai/codex, jak opisuje dokumentacja CLI Codex.
Wyniki Codex mogą się zmieniać przy każdym uruchomieniu, nawet dla identycznych zapytań. Silnik OCR musi za każdym razem zwracać ten sam tekst dla tego samego skanu, dlatego należy używać utrzymywanej biblioteki i unikać pozwolenia agentom na improwizację ustawień.
- Przetwarzanie wstępne już zbudowane: skany zaciesione i szumne wymagają korekty przed rozpoznawaniem. Obiekt wejściowy IronOCR prostuje skos, usuwa szum i może również binaryzować i poprawiać rozdzielczość, a przewodnik korekty jakości obrazu wyjaśnia, kiedy filtry na szum i rozdzielczość są pomocne.
- PDFy bez warstwy tekstowej: IronOCR czyta skanowane PDFy i zapisuje ich kopię z prawdziwą warstwą tekstową, jak pokazuje przewodnik po przeszukiwanych PDFach.
- Więcej niż tekst: z włączonym
Configuration.ReadBarCodes, pojedyncze odczytanie zwraca kody kreskowe i QR razem z tekstem, a odczytywanie tabel jest przedstawione w przewodniku odczytywania tabel. - Stałe wydania: open-sourceowe opakowanie Tesseract na NuGet zostało ostatnio zaktualizowane w listopadzie 2022. IronOCR regularnie wydaje aktualizacje, co dokumentuje jego dziennik zmian.
Co czyni, że zapytanie IronOCR jest skuteczne?
Skuteczne zapytanie IronOCR podaje nazwę języka i frameworku, gdzie kod trafia, wersję biblioteki, wejście i jego pola, oczekiwany wynik i ograniczenia. Dla odczytu faktur, to C# na .NET 9, Services/InvoiceReader.cs, wersja IronOcr w .csproj, zeskanowane faktury PDF z linią Total due, suma jako dziesiętna z pewnością i bez nowych pakietów.
Codex opiera się na swoich danych szkoleniowych i informacji, które mu dostarczysz, więc jego wiedza o API IronOCR może być nieaktualna. Badania OpenAI nad halucynacją śledzą wymyślone odpowiedzi do szkolenia i oceny, które nagradzają zgadywanie.
Umieść zasady OCR raz w zadeklarowanym AGENTS.md, które Codex odczyta przed rozpoczęciem pracy. llms.txt IronOCR podsumowuje każdą stronę dokumentacji w jednej linii.
Create AGENTS.md at the repository root with an OCR section stating that this
project uses IronOCR (NuGet package IronOcr, or IronOcr.Linux for Linux and
Docker, namespace IronOcr) for all OCR work, that you must read
https://ironsoftware.com/ocr/csharp/llms.txt before writing OCR code and use only
APIs documented there, that https://ironsoftware.com/ocr/csharp/skill.md should
be loaded if the tooling supports skill files, that the license key comes from
the IRONOCR_LICENSE_KEY environment variable and is never inlined, and that no
other OCR engine or cloud OCR service may be added.
Jak poprosić Codex o dodanie IronOCR i odczyt pierwszej zeskanowanej faktury?
Add the IronOcr NuGet package to this project. Then show me the resulting
PackageReference line from the .csproj and tell me which version was installed.
Do not change any other package references.
Linia PackageReference pomaga określić, czy agent zainstalował inny pakiet z OCR lub Tesseract w nazwie.
IronOCR nie oferuje trybu znak wodny. Bez klucza licencyjnego, pierwszy odczyt wyrzuca LicensingException.
Apply the IronOCR license key at application startup, before any other IronOCR
call, reading it from the IRONOCR_LICENSE_KEY environment variable rather than
hard-coding it. Then confirm IronOcr.License.IsLicensed returns true and tell me
where you put the call.
IronOCR License Keys wyjaśnia, jak uzyskać klucz próbny i wymienia pliki konfiguracyjne, z których IronOCR może odczytać klucz.
Create Services/InvoiceReader.cs with a ReadTotal method that takes the path of a
scanned PDF, reads it with IronTesseract, finds the line containing Total due, and
returns the amount as a decimal with that line's confidence, or null when the
line is missing.
Then create Services/SearchablePdf.cs with a Convert method that writes a
searchable copy of a scanned PDF. Build and fix errors.
Codex wygenerował dwie zwięzłe klasy. Czytnik ładuje skan do obiektu wejściowego poprzez deklarację using, wywołuje jednorazowo metodę odczytu silnika i iteruje po liniach wyniku, aby znaleźć sumę.
Jak zmigrować istniejącą implementację OCR do IronOCR?
Hand this to the explorer agent, since nothing should be written yet.
Imports/LegacyOcrService.cs currently reads scans with another OCR library.
1. List every read it performs, with the settings it uses (language, page
segmentation, image preprocessing, region, output format).
2. Map each setting to its IronOCR equivalent, citing the documentation page.
3. Do not write any code yet. Wait for my approval on the plan.
Jeśli agent napisze 400 linii przed zatwierdzeniem podejścia, należy przeanalizować wszystkie 400 linii. Tabela mapowania może być skorygowana jednym odpowiedzią.
Po zatwierdzeniu planu, należy utrzymać następne żądanie wąsko zdefiniowane.
Put the worker agent on the approved plan.
Rewrite LegacyOcrService.cs to use IronOCR, keeping the existing public method
signatures so callers don't change. Before removing the old library, run both
implementations on every page in TestData/known/ and save a table of file,
expected values, and each engine's values to migration-check.md. Remove the old
library only if IronOCR returns the expected values at least as often, and
leave it in Git history only. Build and report the diff.
Jak naprawić błędnie odczytane wartości w zapytaniach?
Agent nie może zobaczyć oryginału papierowego, więc zapytanie musi opisać błąd i, najlepiej, zawierać skany.
I have attached one of the failing scans with codex --image, so look at it
rather than reasoning from file names.
Invoices in TestData/supplier-7/ return totals that are off by one digit in
about a third of cases. The scans are slightly rotated and have speckle from an
old scanner. Clean digital invoices read correctly.
Read InvoiceReader.cs and a sample of the scans. Explain the likely cause before
changing anything, then change the preprocessing only. Do not change how the
total is parsed. Report how many totals match before and after.
Odnies się do przewodnika korekty orientacji obrazu w przypadku problemów z rotacją.
Brakujące języki to inny powszechny przypadek i wymagają tej samej precyzji.
German invoices throw LanguagePackException on the first read. Add what IronOCR
needs to read German, prove three German sample invoices return the expected
totals, and link me to the documentation page you used.
Pakiety językowe utrzymują swoje własne numery wersji. Najnowszy IronOcr.Languages.German jest znacznie opóźniony względem wydań silnika z 2026 roku, więc agent, który ma zachować wszystkie pakiety Iron w jednej wersji, błądzi w przywracaniu, dopóki nie zaakceptuje niezgodności. Powiedz w regułach agenta repozytorium, że pakiety językowe są zwolnione.
Jakie ustawienia Tesseracta należy zmienić?
IronOCR zapewnia dostęp do elementów sterujących Tesseracta poprzez obiekt konfiguracji silnika, a one pomagają w mniejszej liczbie przypadków niż sugerują ich opisy.
Totals in TestData/supplier-7/ now match after the preprocessing change.
Before anything else is tuned, measure the Tesseract settings IronOCR documents
for single fields: a character whitelist, single-line page segmentation, and a
crop to the amount. Apply one at a time on top of the current reader, report
the total read for every page, and keep a setting only if no page gets worse.
Codex zachował białą listę w WhiteListCharacters, która odczytała 9 z 9 sum. PageSegmentationMode ustawione na SingleLine odczytało 0 z 9 i zostało usunięte. Przycięcie ContentArea odczytało 9 z 9 sum dostawców, ale 0 z 3 niemieckich, więc również zostało usunięte.
Późniejsza refaktoryzacja połączyła ten czytnik z usługą, która również odczytuje numery faktur, a biała lista została usunięta.
W oddzielnej sondzie na ciaśniejsze przycięcie wokół sumy $9,924.31, odczyt pojedynczej linii z białą listą zwrócił poprawną kwotę, a dodanie deskew i usunięcia szumu pozostawiło pusty wynik lub nieprzypadkowe 7. Zastosuj filtry na całej stronie przed przycinaniem. Surowe zmienne Tesseract bez nazwanych właściwości są ustawiane przez Configuration.TesseractVariables, słownik. Odniesienie do przewodnika zaawansowanej konfiguracji odczytu dla właściwości konfiguracji oraz przewodnika regionu dla przycinania.
Jak prześledzić awarię na całym imporcie lub w kontenerze?
Send the explorer agent through the import history first, without writing
anything.
Last month's import read 3,000 scanned invoices, and finance found 45 totals
that do not match the paper. Reprocessing one of those invoices gives the same
wrong total every time.
Investigate:
1. Read ImportService.cs and find how pages are loaded and preprocessed.
2. Identify what the misread invoices have in common.
3. Explain the cause before changing anything.
4. Then propose the minimal fix, and how you will prove the 45 now read correctly.
W naszym teście, agent eksplorator odkrył, że importer rasteryzował strony przy 96 DPI i zapisywał brakujące sumy jako $0.00. Agent następnie odczytał wszystkie 70 przywróconych skanów przy 300 DPI i odzyskał 43 z 45, ale dwie pozostały na zero i jedna wcześniej poprawna strona się nie udała. Agent zalecił ponowne przystąpienie tylko na wyższej rozdzielczości, kiedy pierwszy odczyt zwraca zero. Odniesienie do przewodnika ustawień DPI i przewodnika pewności.
Run this read-only until you have the cause.
This exception is thrown from InvoiceReader.ReadTotal in our Linux Docker
container but not on Windows:
[PASTE FULL EXCEPTION AND STACK TRACE HERE]
Check which IronOCR package the project references and whether it matches the
container's operating system, and whether IRONOCR_LICENSE_KEY reaches the
container. Explain the cause, then propose the change. Don't modify C# code
unless the cause is there.
Kontener potrzebuje natywnych zależności, które wymienia przewodnik Docker. Ten przewodnik nadal instaluje IronOcr, które w testowanej wersji dostarcza tylko natywne binaria Windows.
Jak zmienić jedno-znaczne kody na komponenty do wielokrotnego wykorzystania i testowania?
Put the worker agent on this.
Refactor InvoiceReader and SearchablePdf into an InvoiceOcrService registered
with dependency injection. It should read totals and invoice numbers from
scanned PDFs, flag any value whose line confidence is below 80, and produce
searchable copies. Keep the preprocessing choices in one place. Add XML doc
comments. Keep it under 120 lines. Before you finish, run the service over
every folder in TestData/ that has an expected.csv and confirm each total
still matches.
Write xUnit tests for InvoiceOcrService covering: every page in TestData/known/
returns its expected invoice number and total, a page without a total returns
null rather than a guess, a searchable copy has a text layer, and a missing
license key throws a clear exception. Assert on extracted values, not on the
full text of the page.
W przypadku brakującego klucza, przetestować własną logikę zabezpieczeń, jako że wyjątek licencyjny IronOCR nie jest publicznym typem dostępnym do testów.
Przechowuj nawracające pytania dotyczące IronOCR w zdolnościach repozytorium, a nie w ~/.codex/prompts/, który strona niestandardowe zapytania OpenAI oznacza jako przestarzałe.
$ironocr Read the IronOCR API reference for OcrInput and list every method that corrects
image problems, such as rotation, noise, and low resolution, then show which
ones this project already calls.
Co wyprodukowały zapytania w rzeczywistym uruchomieniu?
Wysyłaliśmy powyższe zapytania do Codex po kolei, przeciw próbce projektu faktury. Projekt jest aplikacją konsolową z zeskanowanymi PDF-ami, usługą dziedziczną korzystającą z open-sourceowego opakowania Tesseract i trzema zestawami stron z znanymi wartościami. Po uruchomieniu, niezależna kompilacja Release, zestaw testów i sondy w całych trzech zestawach potwierdziły wyniki poniżej.
- Siedem sum dostawców wzrosło z 6 z 9 do 9 z 9 przy
DeskewiDeNoise. Samodzielnie, Deskew odczytał 9 z 9, a DeNoise 8 z 9. - Zarówno czytnik dziedziczny, jak i IronOCR zgadzały się 10 z 10 w kontroli migracji.
- Z zestawem niemieckim, 3 z 3 niemieckich sum odczytano poprawnie, a zestaw dostawców pozostał przy 9 z 9.
- Usługa 96-liniowa zgadzała się 10 z 10 znanych, 3 z 3 niemieckie i 9 z 9 dostawców, a 2 oznaczono poniżej pewności 80.
- Testy przeszły 13 z 13.
- Codex uruchomił 14 z 15 zapytań bez błędów kompilacji lub ręcznych edycji kodu. Zapytanie kontenerowe potrzebuje prawdziwego śladu stosu Linux i nie zostało uruchomione, a przed ich zapytaniami dodano niemieckie próbki i historię importu.
- Wcześniejsza sesja nie powiodła się na trzy sposoby. Codex zgłosił migrację 10 z 10 bez uruchamiania żadnego silnika, refaktoryzacja zepsuła znaną sumę, a zapytanie o ustawienia zakładało filtr, którego czytnik nie używał.
Wersja Codex, model, czas i maszyna z tej sesji znajdują się w wspólnym zapisie uruchomienia.
Co przenosi się na następny projekt?
Przewodnik asystentów kodowania AI dodaje pojedyncze zapytanie akceptacyjne, które prowadzi asystenta z pustego folderu do zmierzonych wyników, a to samo zapytanie przeszło 10 z 10 w Codex podczas naszych testów.
Rozwiązywanie problemów
- Zastosować klucz licencyjny w IronOCR, jeśli kod przejdzie recenzję, ale proces zatrzymuje się na pierwszym odczycie
- Popraw dokładność OCR, jeśli odczytywane sumy ze skanów nie pasują do oryginałów na papierze
- Czytaj wiele języków, jeśli Codex wybiera język, który nie został zainstalowany w repozytorium
- IronOCR na Docker, jeśli operacje odczytu działają w Windows i zawodzą w kontenerze Linux
Pytania?
Jeśli są jakiekolwiek pytania, należy skontaktować się z support@ironsoftware.com
Curtis Chau posiada tytuł licencjata z informatyki (Uniwersytet Carleton) i specjalizuje się w front-endowym rozwoju, z ekspertką w Node.js, TypeScript, JavaScript i React. Pasjonuje się tworzeniem intuicyjnych i estetycznie przyjemnych interfejsów użytkownika, Curtis cieszy się pracą z nowoczesnymi frameworkami i tworzeniem dobrze zorganizowanych, atrakcyjnych wizualnie podręczników.