技能介绍

解决什么问题

从 PDF、扫描件或排版复杂的文档里直接抽取文本，常见结果是标题层级错位、目录与正文页码对不上、表格断裂、图片引用缺失。这类结果更接近 OCR 原始输出，很难直接用于提示词拼装、RAG 切片入库或内部知识工作流。DocPurify 的作用是在这些场景里提供一条文档到 Markdown 的处理链路：不是只把字符取出来，而是以工作区任务的方式提交文档，并把 result_ready 后的输出整理为更干净的下游内容。

技能如何工作

使用前需要在 DocPurify MCP 页面创建密钥，并配置环境变量 DOCPURIFY_MCP_KEY。第一个应该调用的工具是 get_workspace_overview，用于确认工作区、密钥和额度可用。

用户提供本地文件路径时，优先调用 upload_document_file，传 file_path，必要时通过 processing_options 控制处理选项。
如果已经持有有效的 file_id，再使用 submit_document_for_processing 启动处理；常规流程不需要优先走这条路。
提交后保存 document_job_id，通过 get_document_job 轮询状态，直到 result_ready 为 true 或任务明确失败。
完成后调用 get_document_result 获取 Markdown 结果、产物文件或临时下载信息；不再需要时可用 delete_document_job 清理。

AI 处理行为主要由 processing_options.selected_options 控制，常用值包括 base_processing、content_validation、image_validation、toc_validation。language 是自由格式提示，auto、zh、en 只是常见示例。若已知目录和正文页码，还可以传 toc_pages、content_pages 做范围处理。

适用边界与注意点

适合需要更干净 Markdown 的提示词构建、RAG 数据入库和知识工作流；如果只是要原始 OCR 文本，可能不是首要选择。任务是否完成必须通过轮询确认，不能按时间预估。任务失败时应直接展示 failure_reason 或相关错误。本地上传依赖 MCP 主机能读取指定路径；submit_document_for_processing 要求已有 file_id；只有在 result_ready 之后才能取结果。遇到 LOCAL_FILE_NOT_FOUND、FILE_PATH_REQUIRED、INVALID_PROCESSING_OPTIONS、UNSUPPORTED_FILE_TYPE、FILE_TOO_LARGE 等问题，应先核对路径、文件类型、处理选项或文件体积。