LPSlv/doc-extract

Was macht doc-extract?

Die Textextraktion erledigt die meisten Dokumente von allein. Dieser Skill verwendet dafür schnelle lokale Engines und setzt Vision-Aufrufe nur für das ein, was er nachweislich übersehen hat — Abbildungen, gescannte Seiten und Tabellen, die er nicht strukturieren konnte.

Liest .pdf, .docx, .xlsx, .pptx und Bilddateien. Das Format wird durch den Inhalt bestimmt, nicht durch die Dateierweiterung.

Wann dieser Skill NICHT verwendet werden sollte

• Zusammenführen, Teilen, Formularausfüllen, Verschlüsselung → anthropics/skills@pdf.
• Ein Dokument, aus dem Sie nur eine Zahl benötigen und dessen Seite Sie bereits kennen → einfach lesen.

Erfordert uv. Sonst nichts; Abhängigkeiten werden beim ersten Durchlauf aufgelöst.

1. Konvertieren

uv run <skill-verzeichnis>/convert.py DATEI [WEITERE ...]
uv run <skill-verzeichnis>/convert.py DATEI --inline    # Beschreibungen an der Position des Bildes

Ein JSON-Objekt pro Dokument, auf stdout. Alles Deterministische ist nun erledigt: Text extrahiert, Bilder geschrieben, Artifact zwischengespeichert. Der Exit-Code ist ungleich Null, wenn ein Dokument fehlgeschlagen ist.

{"status":"ok","artifact":"/home/…/<sha>-<tag>","cached":false,
 "doc_md":"…/doc.md","pages_dir":"…/pages","manifest":"…/manifest.json",
 "pending":[{"id":"p007-render","page":7,"kind":"page_render",
             "reason":"dense_grid","path":"…/images/p007-render.png"}],
 "dropped":6,"over_scale_guard":false,"scale_guard":15}

Prüfen Sie zuerst status. encrypted, unreadable und unsupported sind endgültig – melden Sie dies und fahren Sie fort; der Batch wird fortgesetzt. Die erneute Ausführung derselben Datei gibt sofort cached: true zurück und verursacht keine Kosten.

Wenn over_scale_guard wahr ist, teilen Sie dem Benutzer mit, wie viele Aufrufe benötigt werden, und holen Sie dessen Zustimmung ein, bevor Sie fortfahren. Ein 84-seitiger Scan sind 84 Aufrufe, und ein 40-bildriger Foliensatz ebenfalls.

2. Jedes ausstehende Element betrachten

pending ist leer → Sie sind fertig, fahren Sie mit Schritt 3 fort.

Andernfalls: Lesen Sie für jeden Eintrag die Datei unter path und schreiben Sie dann, was Sie gesehen haben:

uv run <skill-verzeichnis>/describe.py <artifact> <id> "Ihre Beschreibung"
# oder eine lange per Pipe: … describe.py <artifact> <id> -

Wie die Beschreibung geschrieben wird, hängt von reason ab – siehe reference/describing-visuals.md:

reason	Was zu schreiben ist
standalone_raster, curves, diagonals	Beschreiben Sie die Abbildung: Typ, was sie zeigt, Achsen und Einheiten, bemerkenswerte Werte, aller lesbarer Text.
no_text_layer	Seite wörtlich transkribieren. Dies ist der OCR-Pfad; es gibt überhaupt keinen Text.
dense_grid, stroke_grid	Eine Tabelle, die der Extraktor nicht strukturieren konnte. Geben Sie sie als Markdown-Tabelle wieder.
raster_grid	Eine Seite mit vielen Bildern – eine zusammengesetzte Abbildung oder ein als Streifen gespeichertes Foto. Beschreiben Sie, was die Panels zusammen zeigen, dann alles Besondere pro Panel.

describe.py kann bedenkenlos erneut ausgeführt werden – es ersetzt statt zu verdoppeln, sodass ein Vision-Durchlauf, der auf halbem Weg abbricht, einfach fortgesetzt werden kann.

Elemente mit kind: "native_chart" erscheinen niemals in pending. Dies sind Tabellenkalkulationsdiagramme, deren Datenreihen aus der Diagrammdefinition ausgelesen wurden, sodass ihre Zahlen exakt sind und nicht aus Pixeln geschätzt werden.

3. Antworten

• Gesamtes Dokument: doc.md.
• Eine bestimmte Frage: Durchsuchen Sie die Dateien pro Einheit und lesen Sie nur die, die Sie benötigen.
• Zitieren Sie nach Einheit oder stellen Sie den Dateinamen mehrerer Dokumente voran ([report.pdf:p12]).

Format	Einheit	Zitieren als	Datei pro Einheit
Lang	Seite	[p12]	pages/p012.md
PowerPoint	Folie	[s07]	pages/u007.md
Excel	Tabelle	[Sheet2]	pages/u002.md
Word	Überschrift Ebene 1	[Budgetannahmen]	pages/u003.md
Bild	gesamte Datei	[img]	pages/u001.md

Office-Einheitendateien sind nummeriert statt benannt, da ein Blatt namens Q1 P&L / draft kein Dateiname ist. manifest.json enthält eine units-Liste, die jeder Datei ihre Bezeichnung in der richtigen Reihenfolge zuordnet.

Die eine Regel

Bearbeiten Sie doc.md niemals von Hand. Alles, was Sie hinzufügen, geht durch describe.py, das es in Trennzeichen einschließt. Dadurch kann der Benchmark die Ergänzungen entfernen und nachweisen, dass der Skill die Textextraktion nicht verschlechtert. Direktes Bearbeiten würde diese Garantie stillschweigend aufheben.

Wo Beschreibungen landen, und das eine, was --inline nicht verspricht

Standardmäßig wird jede Beschreibung als ein Block am Ende von doc.md angefügt, gekennzeichnet mit [s02], [p12] oder [Sheet2]. --inline platziert jeden Block stattdessen an der Position seines Bildes. Übergeben Sie diesen Parameter zur Konvertierungs-Zeit, nicht an describe.py: die Platzierung wird im Artifact (und in dessen Cache-Schlüssel) festgehalten, sodass ein fortgesetzter Vision-Durchlauf die beiden nicht vermischen kann.

Format	Woran --inline verankern kann
PowerPoint	die eigene Zeile des Bildes, wenn diese nachweislich die des Bildes ist; andernfalls das Ende der Folie
Word	das Ende des Abschnitts, in dem das Bild sitzt – anydoc rendert ein Bild als seinen Alternativtext, und Word schreibt keinen, es sei denn, der Autor hat einen eingegeben, daher gibt es normalerweise keine Zeile zur Verankerung
Excel	das Ende des Blattes – Bilder und Diagramme stammen aus dem Paket, und anydoc rendert keines von beiden
PDF, Bild	nichts. --inline ändert nichts für ein PDF

Der Block wird neben die Zeile der Engine eingefügt, niemals durch sie ersetzt. Deshalb bleibt die Byte-Identität erhalten – eval/gate.py führt beide Platzierungen aus und schlägt bei direkter Bearbeitung fehl.

Was --inline nicht verspricht, ist, dass die Position korrekt ist; die Byte-Identität kann die Platzierung nicht prüfen, da eine Einfügung unabhängig von ihrer Position wiederhergestellt wird. Der Anker ist der Alternativtext von anydoc, der gewöhnlicher Text ist: Eine Folie über eine Datei namens image.png rendert dieselbe Zeile wie ein Bild. Daher wird die eigene Zeile eines Bildes nur verwendet, wenn die Anzahl der Kandidatenzeilen in dieser Einheit der Anzahl der darin enthaltenen Bilder entspricht; andern- falls fällt die Beschreibung auf die Einheitengrenze zurück. Positionen sind entweder nachweislich die des Bildes oder eine Einheitengrenze – niemals eine Vermutung zwischen zwei gleich aussehenden Zeilen.

Warum die Filter genau so sind, wie sie sind

Vereinfachen Sie diese nicht – jeder existiert, weil die offensichtliche Alternative an echten Dokumenten getestet und für unzureichend befunden wurde:

Filter	Warum
Bilder auf >50 % der Einheiten, <120px, Seitenverhältnis >8:1 verwerfen	Ein 14-seitiges Grant-PDF hatte 69 Bildplatzierungen: 7 verschiedene Objekte, sechs davon Logos, Linien und ein Seitenleistenstreifen.
Seiten überspringen, die bereits eine Markdown-Tabelle ergeben haben	Der Extraktor ist bei Tabellen, die er parsen kann, besser als Vision. Nur eingreifen, wenn er nichts produziert hat.
Striche in beiden Ausrichtungen erfordern	Unterstreichungen und Linien sind nur horizontal. Das Zählen aller achsenparallelen Striche löste bei Bibliographieseiten und Verträgen mit unterstrichenen Überschriften aus.
diagonals von der Flächenuntergrenze ausnehmen	4+ diagonale Segmente kommen in Fließtext nicht vor, und die Untergrenze verhinderte Diagramme in einer Seitenecke.
Tintenschwellwert beim dichten Gitterzweig	Trennt eine schattierte Tabelle, die der Extraktor übersehen hat, von dekorativen Abschnittsbannern.
Seiten mit >6 Rastern zu einem einzigen Render zusammenfassen	Ein 48-Bild-Inpainting-Vergleich ist eine einzige Abbildung, und ein TI-Paketfoto kommt als 12 Streifen; Einzelaufrufe pro Kachel kosten ~2× die Tokens und verlieren die Komposition. Seiten mit 5–6 Rastern sind manchmal separate Abbildungen, daher liegt die Grenze bei 6.
EMF, WMF und OLE-Payloads verwerfen	Von der Text-Engine originalgetreu beibehalten, aber ohne Rasterisierer nicht lesbar – eine Weiterleitung an pending würde ein Element erzeugen, das kein Agent bearbeiten kann. In dropped gezählt, niemals stillschweigend verworfen.

harvest.py ist die einzige Quelle der Wahrheit für das PDF-Routing, und filters.py für die Teile, die für jedes Format gelten. Jede Zahl in der README und im Design-Spezifikationsdokument wird aus ihnen neu generiert; bearbeiten Sie niemals eine Zahl von Hand. Wenn Sie eine Datei nicht ausführen können, ist reference/harvest-block.md eine eigenständige Kopie zum Kopieren und Ausführen.

Das Office-Routing ist bewusst dünner, und das ist ehrlich

Eine PDF-Seite ist ein Programm von Zeichenbefehlen, das seine Abbildungen verbirgt, weshalb harvest.py sie aus der Vektorgeometrie ableitet. OOXML deklariert seine Bilder im Paket, also gibt es nichts abzuleiten. Office- Dokumente erhalten die Einrichtungsfilter, den Zitier- und Cache-Vertrag sowie diese Richtlinie – aber keinen render_reason, kein raster_grid und keinen cost_guard, da es ohne Rendering-Engine keine Folie oder kein Blatt zum Rendern gibt.