ripgrep-all 多格式文档全文搜索

要解决的问题

把一批混合文档交给 Agent 做审核前排查时，常规做法是先按格式分别抽取——PDF 走 poppler，Word/Excel 走 pandoc 或专用解析库，epub、压缩包、图片旁边的 sidecar 又各有一套工具链。结果是：还没开始检索，准备工作已经吃掉大量上下文，而且任何一个适配器缺失，那条链路就直接断掉。

这个技能针对的正是「先提取、后搜索」两段式流程的浪费。

它是怎么工作的

核心思路是用 ripgrep-all（rga）把检索入口统一成一个：

• 一条查询，跨格式命中：对目录执行一次全文搜索，rga 自行识别文件类型并完成内部抽取与匹配。
• 覆盖范围：PDF、Office 文档（docx/xlsx/pptx 等）、电子书、媒体 sidecar，以及 zip/tar 之类的压缩档案。
• 按需抽取：只有被查询命中的内容才真正展开成文本，其余文件只做类型判断，不做全量解析。

对 Agent 来说，工作流从「解压 → 转换 → 逐个 grep」变成「给一个查询，拿回命中行与文件路径」，中间态文件不必落盘。

适用边界与注意点

• 它不是索引工具，而是按需搜索。同一批文档要反复跑不同查询时，抽取成本每次都会重复支付。
• 结果质量取决于抽取链路。Office 文档里的批注、修订记录、页眉页脚，以及扫描版 PDF 中的图片文字都可能漏掉——后者需要 OCR，rga 本身不提供。
• 压缩档案会被递归展开，嵌套压缩包可能让搜索时间明显拉长，超大 bundle 建议先限定目录范围。
• 本机需要有 ripgrep；pandoc、poppler、ffmpeg 等属于可选适配器，缺失时对应格式会退化为不可搜索，而不是报错中断。
• 它解决的是「找得到」，不解决「看得懂」。命中之后是否采信，仍需要人工审核或模型判断。