扫描书刊转数字PDF 是做什么的？
对话应当简单
用户只需说：“请将这本书PDF转换成便于阅读的数字书籍，参考 https://github.com/MuhtajinMukhtar/scan-book-to-digital-pdf”。他们可以附加PDF文件。不需要他们知道OCR、PP-StructureV3、SHA-256或命令行等术语。
- 如果没有PDF附件，请索要PDF。
- 默认采用忠实于原版式的布局、源字体和段落开头。必要时，一次只问一个友好问题，用日常用语表达：“想要像普通书一样的字体还是现代风格的？”、“文字大小像原来一样还是更大？”、“段落开头缩进还是左对齐？”。提供“保持原样”选项。默认参数足够时不要问所有问题。
- 用通俗语言报告进度：已检查页数、不确定页、审核PDF。技术日志保留在工作文件中，不在用户聊天记录中。
- 不要强迫用户手动选择OCR引擎。在兼容的Mac上，同时使用以下两个引擎。
源文件保护和偏好设置
记录页数、原始SHA-256、文件元数据和输出目标。绝不覆盖原始或已批准的先前版本。默认保持精确的源到页映射，除非用户明确要求重新分页。尊重明确偏好：正文衬线体（如果已安装且获得许可则用Georgia，否则用开源衬线体）或无衬线体；源估算或指定的字号；首行缩进（按源/是/否）。保留源文档的标题、斜体、照片、图表、表格、徽标、引文、表单、页脚和阅读顺序。绝不重新分发受版权保护的扫描件或字体文件。
Mac优先双OCR流水线（完整运行必须）
- 使用
references/mac-setup.md设置一个隔离的Mac Python环境。在处理之前验证真实的Apple Vision和PaddleOCR PP-StructureV3安装。不要使用生产系统或全局包更改。 - 运行
python scripts/mac_hybrid_ocr.py BOOK.pdf --work-dir ./work。这会调用scripts/ocr_book.py，先使用Apple Vision，然后在相同缓存的页面图像上运行PP-StructureV3，保存原始Paddle JSON和Markdown，并在work/fusion/下生成每页对比报告。 - 从Paddle JSON（而非其Markdown渲染）读取原始的
overall_ocr_res.rec_texts。成功的原型在一个五页试点中恢复了Paddle Markdown遗漏的七行文本；永远不要假设Markdown是完整的。检查paddle_raw_not_in_markdown、paddle_not_in_apple、apple_not_in_paddle以及拼写/措辞变体警告。所有这些都是审核候选，而非自动批准的修正。 - 在应用修正之前，根据原始页面图像确认缺失文本和有争议的名称。逐行比较两个引擎；没有哪个引擎是绝对权威。将不确定性记录在特定页面的问题日志中。不要仅根据上下文虚构文本。
- 对每一页进行分类，并根据验证的阅读顺序、所选字号、字体、段落缩进和两端对齐正文，编排数字排版文本。使用原始裁剪的照片/插图。参考
references/page-archetypes.md。对于无法安全重建的页面，保留源图像并添加可选的OCR文本层，将该页明确标记为可搜索扫描回退。 - 为每个原始页面编写一个清单条目：源/输出页面、类型、OCR引擎、接受的修正、图像校验、数字或可搜索扫描状态、异常和视觉审核状态。
- 使用
scripts/pdf_audit.py验证源词覆盖率、页面映射、嵌入字体、无空白/裁剪页面和图像，以及源/输出视觉比较。阅读references/qa-and-handoff.md。不要掩盖失败以报告成功。 - 交付一份审核PDF和简洁的待处理页面摘要。仅在用户接受编辑结果后标记最终版本。仅对副本运行
scripts/lossless_optimize.py，并验证渲染/文本一致性。
操作边界
- 这不是一键通用重排版工具：AI代理必须执行复杂页面的编辑器重建。
mac_hybrid_ocr.py准备源比较，它本身不会生成最终书籍。 - 如果Paddle在Mac上无法运行，不要默默地仅使用Apple Vision继续并假装输出通过了双OCR；报告安装问题并为用户提供安全下一步。
- 如果当前ChatGPT Work或Codex环境无法执行Mac软件，简要说明情况。获取允许的Mac执行环境，而不是虚构OCR输出。
- 保留缓存/源标识。绝不自动覆盖来自其他来源的现有OCR结果。不要在仓库中发布私人文件。
- 使用
--compare-only重新评估现有缓存，无需重新运行OCR。