Word格式自动适配

一个让人头疼的重复劳动

投过论文或写过公文的人大概都经历过：期刊或单位的格式规范动辄几十页，从纸张大小、页边距到各级标题的字体字号、正文行距、参考文献格式，每一项都要对着 Word 手动改。改完一篇，换一个模板又要从头来一遍。Word格式自动适配要解决的就是这件事：把「读规范 + 手动逐项调整」变成「上传两个文件，等结果」。

它是怎么工作的

整个流程分五步：

1. 解析规范：读取格式说明文档（.md / .docx / .doc 等），用 LLM 提取页面设置、各级标题、正文、摘要、参考文献、表格等格式要素，生成结构化的 format_rules.json，并展示给用户确认。
2. 转换源文档：.md 通过 src/md_converter.py 转成 .docx，.doc、.wps、.rtf 等先归一化为 .docx；PDF 与图片各有一套降级处理链。
3. 分析结构：靠编号正则和文本特征识别文档标题、1-4 级标题、正文、参考文献条目、图表标题，并输出统计供核对。
4. 应用格式：python-docx 驱动，修改页面设置、段落与字体属性，中英文字体分别设置，同时同步更新 Normal、Heading 等内置样式。
5. 交付：输出格式化后的 .docx，附带规则摘要和结构统计。

v1.1 补上了两个实用点：复杂表格的边框、表头加粗加底色、跨页重复表头、单元格对齐；以及对 OMML/OLE 公式段落的保护，防止公式在重新排版时被弄乱，Markdown 里的 $x^2$ 这类输入还能转成带上下标的公式文本。

你需要知道的限制

• 合并单元格的表格结构改不了（python-docx 的限制），需要手动拆好再处理；
• 只调格式：不重排多级编号列表、不调整参考文献顺序、不润色内容；
• 脚注尾注、宏/VBA、修订模式与批注都不在处理范围内；
• 复杂分节符下的页面设置可能应用不准，需要人工复查；
• PDF 和图片输入依赖可选的 OCR/转换库，Agent 没有视觉能力时尤其如此；
• 规范语义太复杂导致解析不准时，可先用 --parse-only 检查规则 JSON，再用 --llm-parse 或在对话中直接纠正。