Zerox 文档转 Markdown

这个技能解决什么问题

扫描件、拍照文档、PDF 和 Office 文件进入数据流水线后，常常只是“文件已找到”，正文仍埋在图像、文本层和版式里。下游 OCR 或解析器拿不到干净的版面线索，就容易把页眉、水印、双栏顺序和表格单元格混在一起。这个技能的目标不是简单改格式，而是先让视觉模型理解页面，再输出适合后续 OCR、检索或抽取的 Markdown。

技能如何工作

它封装 Zerox 的处理路径：先把 PDF、图片或 Office 文档解析成视觉模型可读取的页面内容，再识别文字、段落、标题、列表和表格边界，最后落成 Markdown 或结构化抽取结果。核心是把版面和语义分开：版面识别恢复阅读顺序，内容识别抽取意义。

常见输入包括：

• PDF：适合扫描版、双栏报告、论文等需要恢复阅读顺序的文件。
• 图片：适合截图、拍照件、白板和表单照片。
• Office 文档：适合提取 Word/Excel/PPT 中的可读内容，效果取决于原排版。

模型侧依赖视觉模型输出；上游资料明确支持 OpenAI，也需要模型凭证。处理会调用图像处理能力，Node 侧需要 graphicsmagick/ghostscript 支持 PDF 转换，Python 侧需要 poppler。

适用边界与注意点

它适合作为“非结构化文档转文本”的中间层：已有文档文件，想先得到 Markdown，再交给 OCR、RAG、抽取或入库。它不能替代完整文档解析系统的全部能力；复杂法律条款、公式、票据防伪、印章覆盖、模糊手写和多语言混排仍可能错行、漏字、表格错位或术语误判。

注意三点：

• 版面复杂度：双栏、跨页表格、浮动文本框和水印越多，结果越依赖模型判断。
• 模型与凭证：视觉模型可用性和权限直接影响成功率，上游支持不代表离线或确定性保证。
• 结构化输出：字段抽取时，应把 Markdown 当作中间表示，而不是天然等同于数据库表结构。