Word 文档转 Markdown 与内容分析
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_fccf428b/convert-word-to-md。
技能介绍
为什么不直接读 .docx
处理 Word 文档时最常见的坑,是把 .docx 当成纯文本。它实际上是 ZIP 打包的 XML 集合,若直接读取会看到冗余标签与被打碎的段落结构;定制解析又容易漏掉列表、表格和图片,后续摘要或抽取的准确率会明显下降。本技能的目标很明确:先把它稳定转换成干净的 Markdown,再做用户真正关心的内容分析。
转换与图片落盘
核心脚本是 scripts/convert_word_to_md.py,底层依赖 markitdown。首次使用时按 references/setup.md 确认 Python、pip 和 markitdown 可用;markitdown 缺失时脚本会明确提示,而不是静默产出空文件。执行后,脚本会在源文件同目录创建自包含目录,而不是只留一个零散 .md:
- 目录内包含
document.md(正文文本) - 若文档内含图片,则额外生成
document\img/存放真实图片文件
这是因为 MarkItDown 默认会把图片写成被截断的 data:image/png;base64... 占位符,并不等于可用图像;脚本改为直接从 .docx 内部抽取媒体文件,保证图片在后续阅读和分析中可用。若文档没有嵌入图片,则不会出现 img/。
批量处理时把文件/目录传入脚本即可;加 --recursive 可连子目录一起处理。需要统一收集结果时,可显式传 -o "C:\path\to\output_parent";默认行为是永远在源文件旁输出,只有用户明确要求改路径时才使用 -o。路径不完整或存在歧义时要先向用户确认绝对路径,不要猜测目录。
适用边界与注意点
本技能只支持 .docx。遇到旧版 .doc,脚本会以退出码 3 报 Unsupported file type '.doc';应提示用户先另存为 Word Document (.docx),例如 File > Save As > Word Document (.docx),再重试。
混合目录里只处理 .docx,不会静默跳过其他类型。若同一批里还包含 .pdf 或 .xlsx,需要并行调用对应的 convert-pdf-to-md 与 convert-excel-to-md,三类技能同时运行,而不是只取其中一部分。
批量转换失败通常指向源文件本身,例如损坏、加密或被保护;此时会看到 FAILED converting -> ...,应回报失败文件并注明同批其他文件仍可成功。另可能出现 WARNING: found N image placeholder(s) ... but extracted M image file(s),说明源文档媒体结构异常;为避免错配,占位符会被保留而不强行替换,需要图像时可手动检查 word/media/ 等内部资源。
脚本只负责产出可靠 Markdown 与图片,不做解释。拿到 document.md 后,再按需求做 summarize、QA、字段抽取或跨文档对比,才是本技能的完整用法。
使用场景
- 收到一份 .docx 需要快速问答或摘要,先转 Markdown 再分析
- 文件夹里有多份 docx 要递归转换,随后逐篇汇总要点
- 混合目录包含 PDF、Excel 和 Word,需并行调用对应技能分别转换
- 需要获得含 Markdown 和图片的自包含目录,便于后续处理
适合人员
- 产品经理:需要处理大量 Word 合同或报告并快速定位风险点
- 技术文档工程师:每周汇总多份 docx,要批量转 Markdown 后检索
- 内容运营:从 Word 提案中抽取关键数据并输出摘要
- 数据分析师:把多份 Word 报告稳定转成 Markdown 再做结构化分析