gemini-ocr-cli
使用するタイミング
このスキルは、ローカルターミナルワークフローから高品質なOCRが必要であり、ホストモデル自身のOCRが十分に信頼できない場合に使用します。
特に、エージェントが以下のことを行う必要がある場合に使用します：
- ローカルの画像を忠実なMarkdownにOCR変換する
- ローカルのPDFを忠実なMarkdownにOCR変換する
- ページ構造、表、ラベルを可能な限り保持する
- アドホックなマルチモーダルプロンプトではなく、決定的なCLIを通じて作業する
前提条件
- CLIがグローバルに
PATH上で利用可能であることを確認する：- 推奨：
npm install -g @codecell-germany/gemini-ocr-agent-skill - 確認：
gemini-ocr --help
- 推奨：
- 必要に応じてスキルペイロードをインストールする：
gemini-ocr-skill install --force
- 必要なシークレット環境変数：
GEMINI_API_KEY=<api-key>
- サポートされているエイリアスシークレット環境変数：
GOOGLE_GENERATIVE_AI_API_KEY=<api-key>
- サポートされているフォールバックシークレット環境変数：
GOOGLE_API_KEY=<api-key>
- オプションのモデルオーバーライド：
GEMINI_OCR_MODEL=gemini-3-flash-preview
コアワークフロー
- 公開CLIサーフェスを確認する：
gemini-ocr --help
- 環境を検証する：
gemini-ocr doctor --json
- 環境が不完全な場合、セットアップガイドを表示する：
gemini-ocr setup --language engemini-ocr setup --language de
- サポートされているAPIキー環境変数のいずれかをエクスポートして再実行する：
gemini-ocr doctor --json
- 画像をOCRする：
gemini-ocr scan-image /absolute/path/to/image.png
- PDFをOCRする：
gemini-ocr scan-pdf /absolute/path/to/document.pdf
- JSON出力は、呼び出し側ワークフローが構造化OCRオブジェクトを必要とする場合にのみ使用する：
gemini-ocr scan-pdf /absolute/path/to/document.pdf --format json
ガードレール
- 公開CLI名
gemini-ocrおよびgemini-ocr-skillを使用すること。 node dist/index.jsのようなリポジトリローカルのエントリポイントでプロダクトサーフェスをバイパスしないこと。~/.codex/tools/gemini-ocr-cli/dist/index.jsのような隠されたインストール済みランタイムパスを呼び出さないこと。- 入力はリモート処理のためにGeminiに送信されます。そのリモート処理ポリシーが許容されない限り、完全にローカルに留める必要があるドキュメントにはツールを使用しないこと。
- デフォルトの出力はstdoutへのMarkdownです。
- 診断情報と警告はstderrに出力すること。
--format jsonは機械可読なエスケープハッチです。--pdf-mode autoは、pdftoppmが利用可能な場合、失敗したネイティブPDFリクエストをラスターOCRとして再試行できます。--pdf-mode rasterはpdftoppmを必要とします。- APIキーはシェル環境変数に保持します。プロンプト、チケット、スクリーンショット、チャットに貼り付けないでください。
- 新しいシェルまたは環境での最初の実際のOCR実行前に
doctorを実行することを推奨します。
参考文献
- メイン概要：
references/overview.md - エージェントオンボーディング：
references/agent-onboarding.md - OCR初回実行：
references/ocr-first-run.md - コマンドチートシート：
references/command-cheatsheet.md - アーキテクチャ：
knowledge/ARCHITECTURE.md - リリースチェックリスト：
knowledge/RELEASE_CHECKLIST.md