長いファイルのすべてのページをレンダリングすると、エージェントのコンテキストが不要な画像で埋め尽くされます。1つのツールで答えられる3つの簡単な質問が、エージェントにどのページをレンダリングすべきかを教えます。
テキスト抽出はAIエージェントに文書の文字だけを渡し、レイアウトやチャート、スタンプを失います。1つのプロンプトでページを画像としてレンダリングすれば、エージェントは直接それを見ることができます。
チャート、スタンプ、スキャンページには、テキスト抽出では決して見えない答えが含まれています。ページをレンダリングし、画像を視覚対応モデルに渡すことでそれらにアクセスできますが、精度には正直な限界があります。