密集 PDF 转 LLM 文本与页面对齐 Markdown
将以下提示词粘贴到你的 AI 对话框中：
请根据 https://skillhub.cn/install/skillhub.md，安装 @user_3c6cb52e/convert-dense-pdfs-into-llm-ready-text-and-page-aligned-markdown-with-olmocr。
技能介绍
问题
扫描件、表格密集或排版复杂的 PDF 往往不能直接给 LLM 使用。直接抽取文本容易出现乱序、缺页码、块边界不清，导致后续 chunking、搜索、实体提取或引用定位不稳定。这个技能把文档转换任务前置成一条可复用的处理步骤，而不是让代理临时拼一套解析脚本。
工作方式
技能围绕 olmOCR 展开，面向“扫描版 / 版式复杂文档 -> LLM 可消费文本 / Markdown”的链路。核心能力包括：
- 将密集 PDF 转换为干净的文本，适合分块、检索和提示词输入。
- 生成页面对齐的 Markdown，便于保留页面边界、段落顺序和引用定位。
- 支持后续工作流：chunking、search、extraction、citation，而不是只做一次 OCR 输出。
它依赖 PDF 渲染与视觉语言模型能力。资料提到需要 poppler-utils 以及用于渲染 PDF 图像的额外字体；本地推理可选 NVIDIA GPU，上游模型基于 7B 参数视觉语言模型，因此 GPU 是更现实的运行条件。处理路径可理解为：PDF 页面渲染为图像 -> olmOCR 进行版面理解与文本生成 -> 输出 LLM-ready text 或 page-aligned Markdown。
边界与注意点
更适合扫描版、版式复杂、需要保留页面结构的文档转换；如果目标只是复制纯文本，轻量 PDF 文本抽取可能已经够用。使用这个技能时要关注输出是否满足下游要求：块是否过碎、页面对齐是否稳定、表格/公式是否被错误拼接。由于依赖模型推理和字体渲染，运行环境比纯文本转换更重，需要预留调试版面解析异常的空间。
使用场景
- 把扫描版合同按页转成 Markdown，便于 RAG 检索和条款引用。
- 将表格密集的报表 PDF 清洗成文本，供下游分块和实体抽取。
- 处理版式复杂的说明书，生成带页面边界的 Markdown 用于问答定位。
- 把旧文档扫描件批量变成 LLM 可读文本，替代临时 OCR 脚本。
适合人员
- 做 RAG 应用的工程师，需要把扫描 PDF 转成稳定分块文本。
- 知识工程人员，需要从复杂版式 PDF 提取可引用文本。
- 自动化流程工程师，需要把密集文档接入 LLM 处理链路。
- 文档处理维护者，需要替代临时 OCR 脚本并保持页面对齐。
相关技能
面向文档总结场景的 HTML 生成工具，可按完整版、精简版或纯静态模式，从上下文提取内容并套用内嵌模板输出单页文档。
面向工程师的邮件办公自动化方案，支持批量发送、Jinja2 模板、附件、定时发送、收件箱监控与规则自动回复。
面向工程师的 .docx 创建、编辑、审阅、解析与转图工作流，依赖 pandoc、docx-js、OOXML、LibreOffice。
封标前扫描 Word/PDF 暗标格式与元数据，比对招标要求并识别公司名、Logo、负责人等身份残留。