很多人开始折腾OpenClaw、搭Agent workflow、接各种Skill。
看起来挺热闹，但真正做起来，很快就会卡在一个地方：
Agent其实很多时候是“看不见东西”的。
原因很简单。
真实世界的大量信息并不是结构化数据，而是藏在各种文档里：
发票，PDF，合同，扫描件，截图，表格
这些东西，人看一眼就明白，但如果Agent没有文档解析能力，它其实根本处理不了。
所以很多开发者最近都在补一块能力：
让Agent看懂文档。
最近看到一个动作还挺典型。
基于文心大模型体系训练的文心衍生模型PaddleOCR文档解析能力，已经作为Skill上架到了OpenClaw的ClawHub。
简单理解就是：
Agent workflow里现在可以直接调用这套文档解析能力。
比如：
拍张发票
→ 自动识别金额、时间、抬头
→ 输出结构化信息
或者：
丢一份PDF
→ 自动提取关键信息
→ 进入后续自动化流程。
这种能力以前很多人都是自己接OCR接口、再自己做解析，现在直接一个Skill就能用。
其实这背后反映的是一个更大的变化：
文心能力正在以组件形式进入Agent工具生态。
大模型负责理解和推理，
工具负责执行能力。
而像PaddleOCR这种文档解析，本质上就是在给Agent补“视觉能力”。
这套东西在开发者社区里本来就挺有存在感：
GitHub 70k+ star
支持110+语言识别
能解析表格、公式、复杂文档结构。
新一代模型甚至可以处理：
歪着拍的文档
弯折扫描件
复杂版面。
很多现实业务里那些乱七八糟的材料，它基本都能读出来。
当这些能力被做成Skill接进Agent生态，其实意味着一件事：
Agent开始真正能处理现实世界的数据，而不只是聊天。
