国内团队接入 OCR API，第一反应通常是比较识别率，然后直接调接口。真正上线后才发现，时间大多耗在接入层：图片能不能稳定传上去、晚高峰链路是否可用、账单用美元还是人民币、发票能不能入账，以及批量任务跑到一半失败后怎么续跑。

OCR 和聊天 API 的差别在于输入是图片或 PDF，请求体更大、超时更常见、重试更容易产生重复费用。本文比较官方直连、自建代理和国内 AI 网关三条路线，重点讲图片上传、限流、故障切换与核验清单。具体服务与计费以站内模型价格及服务商文档为准。

说明：OpenAI、Claude、Gemini、百度智能云、腾讯云、阿里云等名称是其各自权利人的商标；本文仅作技术讨论，与相关厂商无隶属或代理关系。跨境网络、数据出境与支付结算需遵守所在地法律法规及平台服务条款。

一、三条路线先摆清楚

官方直连是直接调用 OCR 厂商或模型厂商的接口。若使用国内云厂商的 OCR，链路和付款本来就在境内，通常最省事；若使用海外视觉模型，则要自行处理跨境网络、美元账单和汇率。直连的优点是文档与功能同步快，出了问题能直接对照厂商说明排查。

自建代理是在合规服务器上部署反向代理或网关，把鉴权、日志、重试和限流收口。控制力强，但服务器、证书、升级和值班都由自己承担。OCR 场景还要额外调整请求体上限和超时，否则大图很容易在代理层被截断。

国内 AI 网关提供 OpenAI 兼容入口，人民币结算，通常带控制台、用量统计和发票。接入成本低，也便于统一多个模型；需要确认服务主体、数据条款、限额规则和故障响应方式。

维度 官方直连 自建代理 国内 AI 网关
网络与接入 国内厂商链路短；海外模型需跨境 线路可自选，需自行运维 国内入口，通常开箱可用
图片上传 受厂商请求体与格式限制 需同步调整代理层限制 看网关的请求体与超时配置
付款与发票 国内厂商人民币；海外模型美元 取决于账号与服务器主体 人民币结算，通常可开发票
批量与限流 受厂商 QPS、并发和配额约束 可做队列，但仍受上游限制 看网关限额、调度与重试能力
数据边界 需自行评估出境与条款 数据位置自行负责 需审查服务商条款与资质
运维成本 中，主要是网络与账号 高，服务器、证书、监控 低，控制台集中管理
模型覆盖 以单一厂商为主 可自行扩展 通常覆盖多家模型

没有一条路线适合所有团队。只用国内云 OCR、付款和发票顺畅，直连最省事；需要固定出口与审计，选自建代理；没有运维人力、又要统一多家视觉模型账单，再评估国内网关。

二、网络与图片上传：先解决 413 和超时

OCR 请求体比文本请求大得多。一张 3 MB 的图片转成 Base64 后会增大约三分之一，变成约 4 MB；如果接口只收 Base64，客户端、反向代理和网关都要放开请求体上限。常见故障往往不是“识别不准”，而是 413、连接重置、超时和半截响应。

几个实践建议：

  • 接口支持 URL 或对象存储预签名地址时，优先用 URL 传图，减少请求体。确认链接在识别完成前保持有效，且不需要登录态。
  • 按业务可接受的分辨率压缩，但不要压过头。小字、印章、手写和表格线对清晰度很敏感，建议按长边和文件大小双阈值压缩，并保留原图以便复核。
  • 按 EXIF 方向旋转后再上传，避免整页横置导致识别顺序错乱。
  • 代理层同步调整 client_max_body_size、proxy_read_timeout 和 proxy_send_timeout，不要只改应用侧超时。
  • 多页 PDF 优先使用异步任务接口，而不是把整份文件塞进一次同步请求。

如果由服务商拉取图片 URL，还要确认该地址公网可达、没有 IP 白名单限制，且签名有效期足够覆盖排队时间。

三、付款、合同与发票

国内团队常见的卡点是付款主体。个人卡充值、代付和报销凭证不一致，财务往往无法入账。选方案前先问清楚：合同和谁签、结算币种是什么、能开什么类型的发票、预付款是否有有效期、退款规则如何。

按量计费还要确认账单口径：按图片张数、PDF 页数、请求次数还是 Token 计费；失败请求是否计入；重试是否重复计费；用量能否按项目或 Key 拆分。把这些写进采购对比表，再用同一批图片实测，才能估算真实成本。具体费用以模型价格和合同为准。

四、限流、并发与批量任务

OCR 接口通常同时受 QPS、并发数、单图大小、PDF 页数和账号日配额约束。429 不一定代表服务异常，可能只是瞬时并发过高。批量识别建议按下面的顺序设计：

  1. 为每张图片或每个 PDF 计算 SHA-256，作为幂等键，先查本地结果表再决定是否提交。
  2. 按接口限制拆分任务：单图大小、单请求页数、并发上限分别设阈值。
  3. 并发从低开起，例如先 2–4 路，观察 429 比例和 P95 延迟后再逐步增加。
  4. 对 429 和瞬时 5xx 做指数退避加随机抖动；401、403 和参数错误不要重试，先修配置。
  5. 异步任务记录 task_id、提交时间、状态和结果地址，结果文件及时落盘，因为结果链接往往有过期时间。
  6. 每批结束统计成功数、失败数、计费张数和耗时，失败样本单独进入重跑队列。
  7. 全量结束后抽样人工复核，并核对入库条数与原文件数量。

五、重试、幂等与故障切换

重试之前先做幂等，否则一次网络抖动可能变成两次费用、两条重复记录。下面的示例用图片哈希标记请求，并对可重试错误做退避：

import base64
import hashlib
import os
import time
from openai import OpenAI

client = OpenAI(
    api_key=os.environ["ZSQH_API_KEY"],
    base_url=os.environ["ZSQH_BASE_URL"],
    timeout=90.0,
    max_retries=0,
)

def ocr_image(path, model, attempts=4):
    raw = open(path, "rb").read()
    key = hashlib.sha256(raw).hexdigest()
    data_url = "data:image/jpeg;base64," + base64.b64encode(raw).decode()
    for i in range(attempts):
        try:
            resp = client.chat.completions.create(
                model=model,
                messages=[{
                    "role": "user",
                    "content": [
                        {"type": "text", "text": "识别图中的全部文字，按原顺序输出。"},
                        {"type": "image_url", "image_url": {"url": data_url}},
                    ],
                }],
            )
            return key, resp.choices[0].message.content
        except Exception as exc:
            if i == attempts - 1:
                raise
            wait = min(2 ** i, 30) + 0.5 * (i + 1)
            print(key[:8], type(exc).__name__, "retry in", wait)
            time.sleep(wait)

key, text = ocr_image("invoice.jpg", os.environ["VISION_MODEL"])
print(key[:12], len(text))

故障切换有一个容易忽略的边界：不同 OCR 引擎的输出不能直接混用。传统 OCR 返回文字和坐标，视觉大模型返回自然语言或 JSON，字段名、坐标体系和置信度口径都可能不同。切换前应固定一组真实样本，比较字符准确率、字段准确率和结构化输出成功率；解析代码、校验规则和人工复核流程要一起调整，而不是只改一个模型名。

六、上线前的核验清单

  • 链路：大图、多页 PDF、晚高峰时段分别压测，记录 413、超时和 5xx 比例。
  • 准确率：用 50–100 张真实图片覆盖清晰、模糊、倾斜、手写、表格和多栏版式。
  • 用量：响应中的 usage 或张数与后台账单能否对上，重试是否被重复计费。
  • 限流：并发上限、429 比例、退避后成功率是否可接受。
  • 数据：图片是否含个人信息或商业机密，服务方的保留、日志和删除策略是否说得清。
  • 退出：Key 能否轮换，余额能否退款，旧服务和回退路线是否保留。

任何一项说不清，都建议先小流量试跑，不要直接把生产流量切过去。

七、按约束选型

先看网络与付款能否长期稳定，再看是否需要固定出口与审计，最后看模型范围和账单能力。使用国内云 OCR 且流程顺畅，直连即可；使用海外视觉模型、又没有跨境运维人力，可以评估国内网关。需要统一入口、人民币结算和多模型对比，可以在中商起航 AI 网关创建测试 Key，先用小批量图片跑通，再逐步放量；可选模型与计费方式见模型价格。

相关阅读：

常见问题

国内直连海外 OCR 接口稳定吗？

取决于本地出口、时段、目标区域和账号限额，不能一概而论。建议用真实图片和真实并发连续观察几天，记录错误率与 P95 延迟，再与网关方案做对照，不要仅凭一次成功请求下结论。

图片用 Base64 还是 URL 上传？

小图用 Base64 简单直接；大图、多页 PDF 或高并发场景优先用 URL 或对象存储预签名地址，能显著减小请求体。无论哪种方式，都要确认接口的大小限制、格式要求和链接有效期。

OCR 批量识别中断了怎么续跑？

用图片内容哈希做幂等键，按批落盘，失败只补缺失部分。重跑前核对已入库条数与原文件数量，避免重复写入，也避免把半批结果当成完整结果。

切换 OCR 服务后结果格式会变吗？

通常会。不同引擎的字段名、坐标体系、置信度和错误结构都可能不同，结构化输出还需要重新做 schema 校验。迁移时应保留旧结果一段时间，并用固定样本对比新旧输出。

发票和用量能按项目拆分吗？

取决于服务方。签约前确认能否按项目、Key 或模型导出用量，账单口径是否包含失败和重试请求，以及发票内容能否匹配采购要求。