antinet-doc-parse
软件开发工程师与数据科学家在构建RAG系统时，当需处理PDF/Word/Excel等多格式复杂文档，用此技能可自动触发三级解析降级，一键输出高置信度结构化Markdown与元数据，免去繁琐清洗，直接夯实企业知识库数据底座！
它会碰到什么
扫了多少3 个文本文件，6 KB
它会碰到什么写文件
命中总数1 处
命中统计严重 0 · 高 0 · 中 1 · 低 0
这一栏是扫描器报的事实，不是结论。命中多不等于有毒（安全工具、规则库、示例脚本本来就会包含危险写法），命中少也不等于干净。它和你手上的凭据、文件、网络有什么关系，需要你自己看。
技能内容
多格式文档解析 Skill（密卷房）
使用方式
- 由密卷房 Worker 在收到已通过安全扫描的文件时调用。
- 三级 fallback 依次尝试，输出最终结构化结果与置信度。
输入（Input）
file_path：已通过 security-scan 的本地文件路径formats：（可选）期望支持的格式白名单，默认全格式
输出（Output）
markdown：结构化 Markdown 正文metadata：标题、页数、表格数、作者等元数据confidence：0–1 解析置信度fallback_used：最终生效的解析器名称
依赖（Dependencies）
- MinerU（首选，强排版还原）
- PyMuPDF（次选，PDF 快速解析）
- pdfplumber（兜底，表格/文本抽取）
python-magic（类型探测）
失败处理（Failure Handling）
- 主解析器失败 → 自动降级到下一档，直到全部尝试。
- 三级全部失败 → 标记
人工介入，不输出残缺结果，回传 BLOCKED 给军机处。 - 单页超大文件 → 分块解析后拼接，避免内存溢出；块级失败仅标记该块低置信度。
复用价值（Reuse Value）
- 通用解析底座：RAG 索引、企业知识库、合同结构化均可直接复用。
- 置信度透明：下游（通政司四色卡片）可据此决定是否需要人工复核，降低幻觉风险。
复赛代码包执行（runnable package）
- 真实入口：
scripts/run_doc_parse.py - 执行等价于
core.runtime.AgentSession.run_stage("doc-parse")，调用archive.mijuanfang.MiJuanFangAgent（三级解析 fallback，纯 Python 可离线）。 - 运行：
python skills/doc-parse/scripts/run_doc_parse.py - 产物：
examples/snse_survey/skill_outputs/doc_parse.json（解析结果 + 置信度 + fallback 信息）。
想直接用这个技能？
本站把开放许可（MIT / Apache 等）的技能按仓库打包整理到网盘，点一下转存到你自己的网盘，不用一个个从 GitHub 拉。许可未声明的技能只给原始仓库链接，不打包。