技能介绍

问题从哪来

把 PDF、DOCX 直接丢进 Coze 知识库，检索质量往往卡在结构化和语义密度上：整篇文档不分块会顶满上下文；没有分类、标签、实体元数据时过滤能力弱；表格混在正文里结构化检索几乎不可用；缺少关键词锚点和多级摘要时，Bot 也很难快速判断某段是否相关。

流水线在做什么

本技能把「格式转换 → 知识增强 → 双格式输出」串成一条管道，目标产物是 Bot 能稳定召回的语义块，而不是单纯换格式的 Markdown。

阶段一（doc_converter.py）：DOCX/PDF 转 MD，处理标题层级、表格、列表与图片占位；PDF 侧做去噪、断行合并、标点与空行规范。
阶段二（kb_enhancer.py）：按语义边界分块（非固定长度）；为文档与块生成 YAML 元数据；自动追加 FAQ；提取并标注关键词；在文末生成实体关系表。v2.0 还包含内联检索权重标记（如 [重要]、[定义]）、相邻块约 12% 重叠、块间交叉引用，以及文档质量评分等 RAG 向优化。
阶段三：输出 md/（推荐导入 Coze 的 _enhanced.md）与格式化 DOCX（md_to_docx.py）。批量场景会扫描目录、按路径推断分类，并生成 _汇总报告.md。

边界与注意点

用户明确要求「只转 Markdown、不做增强」时，应只跑阶段一。加密或损坏的 PDF、空白文档会跳过并在报告中记录；DOCX 异常可能降级为纯文本提取。图片通常保留为 [图片: 描述] 占位，不能指望从 PDF 里完整还原视觉信息。导入 Coze 时优先使用带完整元数据与增强标注的 _enhanced.md，否则阶段二的价值基本体现不出来。