LongCat AI 本质上是一款“语音驱动修图”工具——你只需描述修改需求，它就能自动完成图片编辑。但需要注意：它不会识别图中的已有文字，也不理解文字含义。简单来说，它并非 OCR 或全能文字处理器，其核心能力是：根据你的单句指令，精准修改图片的特定区域。
因此，当你想“让 AI 处理带文字的图片”时，必须先明确具体目标——是“提取图中的文字”、“在图上添加文字”，还是“让 AI 读懂文字后再修改”？这三种需求，LongCat 能实现的程度各不相同，不能一概而论。
先理清一个关键点：LongCat 模型并不处理“长文本图片”这类概念——它并非你想象中能读懂大段文字、理解文章含义的 AI。它的定位是文本驱动的图像编辑模型，核心能力简而言之：听懂你的描述，然后动手改图。它不进行 OCR，不识别图中文字，也不生成长文本。它的职责仅限于“改”。
那么，你属于哪种需求？下面分为三种最常见场景，你可以对号入座。
场景一：在图片中添加中文文案，例如宣传标语
这一功能 LongCat 可以实现，但效果取决于指令的清晰度以及图片留白空间。
编写提示词时，请牢记以下几点：
- 明确位置：避免模糊表述如“加个标题”，应具体说明“在图片底部居中添加”或“在右上角空白区域插入”。
- 控制长度与排版：不要一次性输入超过 100 个字。建议拆分为短句，或添加“两行显示”“简洁排版”等指令。
- 示例参考：
“在图片底部居中添加文字：‘夏日限定 · 新鲜直达 · 全城配送’，字体清晰，白色描边，背景半透明黑色横幅”
或
“在左上角空白区域插入两行中文：第一行‘新品上市’，第二行‘限时7折’，字号适中，不遮挡主体”
当然也存在局限：LongCat 无法精确控制具体字体、字号数值，也不支持复杂排版（如多色混排、图标加文字）。它更适合语义明确、视觉简洁的标注类文字。
场景二：批量处理多张图片，例如为 100 张商品图统一添加标签
LongCat 本身提供 Web 界面，但如需批量操作，需通过 API 完成。部署后，接口通常为 /run 的 POST 请求，携带 image 和 prompt 字段即可。
编写一个简单的 Python 脚本，循环上传图片并发送指令，操作十分便捷。逻辑大致如下：
for img_path in image_list:
with open(img_path, "rb") as f:
files = {"image": f}
data = {"prompt": "在右下角添加‘官方授权’水印，浅灰色，小字号"}
r = requests.post("http://your-server:7860/run", files=files, data=data)
sa ve_result(r.json()["output_image"], f"out_{img_path}")
温馨提示：批量处理时，单次请求间隔建议不少于 3 秒；图片大小务必控制在 1MB 以内，短边不超过 768 像素，否则容易超时或显存溢出。
场景三：想要 AI “识别图中文字内容”后再编辑？目前无法实现
LongCat 没有内置 OCR 模块，也不具备视觉语言理解能力。它不会读取图中已有的文字，更不会基于文字内容进行推理。例如，你想将“价格 99 元”改为“88 元”——它根本不知道原价数字的位置，更不会自行计算。
要实现这类效果，需搭建一个工具链：
- 第一步：使用 OCR 工具（如 PaddleOCR 或 Tesseract）识别图中文字及其坐标。
- 第二步：人工或编写逻辑生成对应的编辑指令，例如“擦除坐标 (x1,y1,x2,y2) 区域，替换为‘88元’”。
- 第三步：调用 LongCat 执行局部重绘。注意，此处需要启用 mask 功能，部分部署版本才支持。
另外必须强调：LongCat V2 的编辑方式是基于“语义引导 + 自动定位”，而非“像素坐标驱动”。若想精确擦除或覆盖某个指定区域，仍需额外掩码配合，无法仅靠一句话完成。
总而言之，LongCat 并非万能文字处理器，它更像一支“听话的画笔”。用对场景，效率可翻倍；用错方向，反而会绕弯路。明确它能做什么、不能做什么，才是用好它的关键。