技能介绍

要解决的问题

中文团队的日常文档散落成多种格式：合同是 .docx，客户给的是扫描版 PDF，财务台账是 .xlsx，汇报材料是 .pptx，还有单位在用 WPS 的 .wps / .et / .dps。要让模型理解这些文件，通常得逐个写脚本解析，结果就是格式覆盖不全、中文摘要质量不稳定、公文要素识别不出来。这个技能把这件事收敛成一套统一的读取入口。

核心能力与工作流程

格式读取

传统 Office：PDF、Word（.docx / .doc）、Excel（.xlsx / .xls）、PowerPoint（.pptx / .ppt）
WPS：文字 .wps、表格 .et、演示 .dps
PDF 优先提取文字层，无可提取文字时回退 OCR，中文场景需 tesseract-ocr-chi-sim

内容提取

正文、表格、幻灯片、批注与备注分别抽取。v1.1.0 起接入 jieba 中文分词，关键句提取明显改善；所有 extract 函数加了异常处理，损坏文件不再让链路崩溃。

结构化摘要

一句话概览、3-8 个关键点，以及日期、金额、联系人等结构化字段；公文要素单独识别发文机关、文号、主题词与紧急程度。

多文档对比

内容差异、结构差异、关键信息变更三条线并行，适合合同修订与红头文件版本对照。

公文模板

内置 templates/ 下的 government_notice.md、government_report.md、enterprise_memo.md、meeting_minutes.md。

默认输出 JSON，字段稳定，便于下游程序消费。

适用边界与注意点

不适合需要精确保留原始排版的场景，重排是既定行为
复杂图表与嵌入图像只做文字、表格层面的提取，不做深度分析
加密或密码保护的文档无法直接读取
需要高级公式审计的表格不适合——openpyxl 读的是值，公式逻辑层面的检查要另行处理

必需依赖 Python 3.8+ 与 pypdf、python-docx、openpyxl、python-pptx；poppler-utils、tesseract、libreoffice、antiword、catdoc 属可选增强，缺失只会让部分路径不可用。完整能力边界见 references/capabilities.md。