LitPat 文献知识库提取器
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_f142a39f/litpat-kb
技能介绍
工程痛点:混合 PDF 的结构化困境
批量处理扫描件与文本层混合的专利 PDF 时,原生 OCR 调用极易触发内存泄漏、子进程崩溃以及附图丢失。传统单脚本方案难以兼顾正文解析与图表结构化,导致长流程频繁中断且缺乏可靠的断点续跑能力。
核心机制:双路抽取与断点续跑
本技能通过 Ingest 与 Backfill 双模式覆盖知识库构建流程。Ingest 模式将整批 PDF 解析为包含 技术原理、附图/图表 等 6 字段的 Markdown 文件,核心在于双路附图抽取:利用 PyMuPDF 提取内嵌位图 XObject,并通过聚类裁剪还原矢量示意图。Backfill 模式则针对已有 KB 中的 [OCR-failed] 占位行,基于文件名或专利号模糊匹配找回源 PDF,实现增量回填。
环境约束与适用边界
鉴于 Windows 环境下 node 子进程句柄累积问题,流水线强制锁定 batch=1 串行执行,并依赖 wrapper 脚本每 8 次 spawn 进行进程自愈。适用边界方面,矢量图提取基于启发式聚类,对标准流程图识别精准,但与正文框线紧密缠绕的复杂排版存在漏抽风险。此外,大批量任务必须调度至系统终端运行,以规避后台会话约 17 分钟 的 wall-clock 硬性超时限制。
使用场景
- 专利情报分析师需将包含数千篇混合扫描件的文件夹批量转化为带附图的结构化技术知识库。
- 数据运维工程师需修复知识库表格中因OCR失败遗留的占位行,通过专利号模糊匹配找回源PDF并回填摘要。
- 研发工程师需从包含流程图和结构图的文献PDF中,自动提取矢量示意图与图题并随知识库统一分发。
适合人员
- 专利情报分析师:需要从海量专利PDF中批量提取技术原理、权利要求及附图,构建领域知识库。
- 知识库数据运维工程师:负责维护结构化Markdown表格,需要修复OCR失败遗留的占位行以补全数据。
- 技术研发人员:需要从复杂的专利文献中提取矢量附图与核心参数,用于前沿技术调研与对比分析。