Markitdown 净化转换器

为什么要把排版垃圾挡在 LLM 外面

把 docx、xlsx、html 这类“带结构的内容”直接塞进 Prompt，模型拿到的往往是一堆混合了样式和排版的半成品文本：颜色、字体、对齐信息、分页符，甚至表格里的装饰线。这些内容既不能帮助模型理解语义，又会白白消耗有限的上下文窗口。

markitdown-converter-zh 要解决的问题很具体：把已经提取出来的文本，转成干净、LLM 友好的 Markdown，只保留标题、列表、表格、链接、代码块这些语义骨架，丢掉所有表现层噪音。

它是怎么工作的

这个技能不是二进制解析器，而是一个“文本进、Markdown 出”的纯模型转换层。它的核心逻辑可以归纳为三点：

• 结构优先于样式：#–###### 标题层级、-/1. 列表、> 引用、标准表格和链接 URL 必须保留；颜色、字体、对齐这类表现层信息直接丢弃。
• 扁平优于嵌套装饰：能用 # 标题表达的，不用空格缩进伪造标题；能用标准表格的，不用 ASCII 艺术框。
• 可机读优于可观赏：输出要能被下游再解析，因此链接必须留 URL、表格严格对齐、代码块用 ` 包裹并带语言标记。

在执行层面，技能内置了几条硬规则：

• 中文自然流畅：正文译/写为自然学术中文，去除“值得注意的是”“综上所述”这类 AI 味套话。
• 大文件分块：单批建议 ≤ 800 行原文，在章节标题、分页或空行处切分，每块附 ±3 行上下文，避免跨块结构断裂。
• 不臆造：源文档没有的内容不补、不“润色”成新信息、不替用户总结。
• 输出前结构校验：代码块成对闭合、表格列数一致、列表缩进连续；异常块标注 ⚠ 待核 后继续处理。

适用边界与注意点

这个技能的定位非常明确：只做纯模型转换，不做二进制解析。

• 你喂给它的必须是已经提取出的文本或源码：docx 正文、xlsx 单元格、HTML 源码、csv、json、pdf 文本层。
• 真正的“pdf→文本”“docx→文本”属于外部 parser 的职责，不在本 skill 范围内。
• 转换含 PII 或机密信息的内容前，建议先自行确认脱敏；技能本身不存储输入。
• 转换结果需要人工核对，尤其是表格列对齐和公式符号，技能不对下游误用负责。