技能介绍

试卷数字化的痛点

扫描版试卷或图片格式的考试卷在录入题库时，往往面临OCR识别错字漏字、公式无法解析、题目结构断裂等问题。直接提取文本不仅无法保留题型和选项，还经常把数学公式变成乱码。人工重新排版和校对成本极高，尤其是在处理大批量试卷时，极易出现跨页断题、题号错乱等低级错误。

核心能力与处理流程

为了解决这些问题，试卷OCR重建助手 采用了多阶段pipeline设计，将OCR识别、结构化解析与LLM审核校正深度结合。

输入适配与OCR识别：支持PDF、本地图片及图片URL三种输入。对于PDF，通过 scripts/pdf_to_images.py 逐页转为高清图片；OCR优先调用 tencent-docs 的高精度模式，并保留位置信息以辅助结构分析。
AI结构化解析：将OCR文本交由LLM进行解析，自动识别 single_choice、fill_blank、calculation 等10余种题型，提取题号、选项、分值，并将数学公式转换为 $LaTeX$ 格式。
LLM审核校正：这是保证质量的关键。系统会将结构化结果分批送入LLM，对照原始OCR文本进行8个维度的审核（如题干完整性、字符错误、公式准确性等），并输出 ok、corrected、warning 或 error 状态。
多格式输出：最终生成包含交互式筛选、答案切换和审核报告面板的HTML，同时导出 exam_data.json 供题库系统直接导入，以及Markdown文本。

适用边界与注意点

虽然引入了LLM审核，但该技能仍受限于底层OCR的识别率。对于极度模糊或手写体试卷，warning 和 error 状态的比例会显著上升，仍需人工介入复核。此外，在没有 tencent-docs 连接器的环境下，需降级使用本地PaddleOCR，此时公式识别和结构解析的准确性会有所下降。建议在处理公式密集型试卷时，适当调小审核分批的题量以保证校正效果。