Agent Skills
返回列表
知硕PDF派生链知识库

知硕PDF派生链知识库

知识管理 更新于 2026.08.29

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_6c41e2d5/zhishuo-build-pdf-knowledge-base。

技能介绍

问题所在

把一份大部头或多份 PDF 变成可持续问答的知识库，常见几个坑：一次性把整本书塞进 Agent 上下文，遇到扫描页、复杂排版、表格或公式时纯文本提取直接失效，解析结果回不到原始页码无法验收，或者原件和中间产物混在一起，重建无从下手。

工作方式

核心锚点是派生链：原始 PDF 只读，MinerU 解析结果、精简 Markdown、必要图片、章节文件和检索地图都是可重建的派生物。

关键步骤：

  • 建立独立的 MinerU 环境，安装前说明约 20 GB 磁盘、16 GB 内存和首次下载模型的成本
  • 先跑 1–3 份代表样本覆盖文字型、复杂排版或扫描型页面，确认后端与 OCR 方法
  • 批量解析时保留相对来源路径和 SHA-256，失败文件独立记录不中断其他来源
  • 以"大章节"为默认检索单元校准 retrieval-map.md，不强迫一个问题只命中一个文件
  • 真实检索验收，记录命中文件、章节、page-maps/ 页码线索和原 PDF 抽查结果

适用边界

只有一份短 PDF 或少量普通文字型 PDF 做一次性阅读或摘要时，改用通用 PDF 工具。来源无权处理、输出可能覆盖原件、哈希变化、磁盘内存不足、样本质量不适合、加密 PDF 无法读取或页码线索不足以支持所需精度时，停止对应文件并写入 failures.md。页码线索缺失时明确写"仅定位到 Markdown，需人工回原 PDF"，不能冒充按页验证。

使用场景

  • 手上有多份技术白皮书要做成可长期检索的资料库，需要在问答时定位到具体章节和页码，而不是每次重新读原文。
  • 一本几百页的扫描版规范手册，Agent 一次读不完，需要按真实章节拆分后支持追问和跨章节检索。
  • 把历年研究报告批量入库，要求正常命中、跨文档整合、以及资料里没有答案时诚实返回缺口。
  • 一份含大量表格和公式的扫描型论文合集，普通文本提取乱码严重，需要先跑样本验证再批量建库。

适合人员

  • 资料管理员：要把多年累积的扫描件 PDF 整理成可检索资产，每次查询都能回到原始页码。
  • 技术研究员：经常要跨多份大部头文档交叉引用，需要检索结果附带章节和页码线索。
  • 知识库工程师：负责为团队搭建可持续追加的文档问答系统，要求失败记录透明、结果可重建。
  • 学术作者：处理含大量表格公式的扫描论文，需要先验证解析质量再批量入库。