Office 文档轻量化处理
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_982489be/wode
技能介绍
大模型读取办公文档的痛点
直接把二进制格式的 Office 文档喂给大语言模型,往往会因为文档体积过大或结构过于复杂,导致上下文窗口溢出或 TOKEN 费用激增。.docx、.xlsx、.pptx 以及 .wps 等文件里包含大量标记语言和排版元数据,而模型真正需要的仅仅是其中的文字和表格结构。如果直接读取原始二进制文件,不仅读取速度慢,还会把无关的格式信息转化成无效的 Token,产生巨大的资源浪费。
本地轻量化转换工作流
该技能通过调用本地脚本 scripts/office2md.py,将办公文档提前转换成大模型友好的轻量级文本。核心处理逻辑如下:
- 灵活的目标选择:既能处理用户指定的单一文件,也支持通过
--recursive参数对整个文件夹进行批量转换。若用户未指定路径,则会自动监听工作区内的Inbox/文件夹实现自动处理。 - 结构化文本输出:默认生成保留标题层级和表格结构的 Markdown 文件;如果追加
-f txt参数,则输出纯文本格式,从而进一步压缩体积。 - 精准识别控制:面对几百页的表格数据,支持使用
--max-rows限制输出行数。针对没有文本层的 PDF 扫描件,脚本会自动识别并触发 OCR 提取文字。转换完成后,Agent 仅读取生成的.md或.txt即可继续进行摘要、审查等后续任务。
适用场景与技术边界
对于非扫描版且带有文本层的 PDF 文件,脚本会直接提取文本,速度远快于走 OCR 路径。需要注意的是,OCR 识别依赖底层的 pypdfium2 和 rapidocr-onnxruntime 库,如果系统缺失标准版 Microsoft Visual C++ 运行库,可能会报错找不到 MSVCP140_1.dll,此时需要手动修复 VC++ 运行环境才能正常工作。
使用场景
- 在审查几百页的城投报告PDF时,需大模型提取风险点,转为纯文本可避免直接读取超限。
- 处理包含数百张复杂图表的PPT汇报时,将其转为Markdown表格,以便进行精准摘要和对比。
- 处理批量历史扫描的合同文件时,需自动OCR识别关键条款并提取,方便后续法务审查。
适合人员
- 金融分析师,每周需阅读大量PDF研报提取风险点,诉求是让大模型无障碍解析大体积文件。
- 行政助理,每天处理上百份复杂Excel预算表,诉求是转为纯文本后快速提取核心数据。
- 法务专员,需批量审查扫描版合同,诉求是快速OCR提取关键条款以完成合规审查。