四向文档流水线

文档处理中的格式断层问题

传统工作流中，Markdown 作为轻量标记语言常被当作"源代码"，但其与最终交付物之间存在明显断层。用户需要在 PDF/DOCX 解析、网页生成、内容回溯等环节反复切换工具链，导致格式语义丢失、排版控制失控等问题。例如，将扫描版 PDF 转为 Markdown 时，表格结构常被破坏；用 Pandoc 直接生成 HTML 又难以满足设计规范。

四向转换的核心能力

该技能通过四个核心脚本构建转换通道：

• 万物→md：封装 markitdown 处理 20+ 种格式，保留元数据与字段值，适合结构化内容抽取
• md→精美html：结合 Pandoc 与四套模板（Tufte CSS/Medium/白皮书/交互导航），支持设计师模式下的视觉定制
• html→md：基于 Rust 底层实现高速转换，自动过滤导航栏/广告等非正文内容
• md→精美docx：内置出版社级排版预设，支持图片内联/引用两种嵌入方式，满足正式出版需求

关键决策逻辑

当处理 URL 输入时，系统会区分页面类型：

• 结构化内容（API 文档/产品详情）走能力1，保留完整字段结构
• 正文内容（博客/新闻）走能力3，提取纯净文本流
• 不确定时双路径并行，通过对比选择最优解

适用边界与技术约束

• 扫描 PDF 不做 OCR，复杂表格可能丢失语义
• PPTX 转换会丢弃动画效果
• 生成 HTML 需遵守核心审美标准（色板/字体/节奏）
• 异常处理包含依赖检查与网络降级策略