多格式文档解析 Skill（密卷房）

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）。