PDF结构化抽取与证据溯源

要解决的具体问题

图片型 PDF 抽取结构化字段时，很多方案依赖 LLM 直接输出页码、bbox 或原文证据，容易出现伪造溯源、证据不可回查、字段状态不透明等问题，导致抽取结果无法审计。本技能的目标是把字段抽取和证据回填拆成两步：LLM 只处理带证据的文本块，物理页码、bbox、原文等信息由程序基于 block_id 回填，避免模型伪造溯源数据。

核心能力与工作流程

技能运行前需要三样输入：PDF 路径、用户自定义的 --schema JSON Schema，以及输出目录，不会默认绑定业务 schema。必装解析器为 MinerU 和 Docling，PaddleOCR 是可选补充。

执行流程从输入校验开始：计算 PDF SHA-256，检查每页原生文本量、图像覆盖率、页标签和页面尺寸，按物理页顺序渲染页面。默认用 MinerU 做主解析，Docling 交叉复核，PaddleOCR 按需运行。各解析器结果会归一化为统一的 blockid、页码、bbox、原文、置信度和来源哈希，只把带 blockid 的证据块交给 LLM 按 Schema 抽取字段。

LLM 仅能返回字段值、source_block_ids、字段状态和备注，页码、bbox 等溯源信息由程序回填。完成抽取后，程序会做 JSON Schema 校验，并对解析冲突、未知 block_id、越界 bbox、低置信页和缺少直接证据的字段进行质量检查。

适用边界与注意点

技能不会把无直接证据的值标记为 verified，会明确标为 inferred、notfound、unreadable 或 manualreview。默认禁用外部 LLM 和视觉模型请求，只有用户显式允许网络且配置完整时才会启用。

它不要求固定编号的文件作为完成条件，只检查用户要求的交付物、Schema 校验结果和字段证据一致性。环境部署必须满足 MinerU 和 Docling 可用，安装时需遵循国内镜像说明，Windows 环境还需验证 import onnxruntime，避免环境故障伪装成解析成功。