// Use when the user wants to process new papers, patents, theses, documents, or proceedings from inbox queues into the knowledge base, run the ingest pipeline, or rebuild indexes.
| name | ingest |
| description | Use when the user wants to process new papers, patents, theses, documents, or proceedings from inbox queues into the knowledge base, run the ingest pipeline, or rebuild indexes. |
将 inbox 中的 PDF、Office 文档（DOCX/XLSX/PPTX）或 Markdown 文件处理入库。支持论文、专利、学位论文、一般文档和论文集（proceedings）。
| 格式 | 放入目录 | 处理方式 |
|---|---|---|
.pdf | data/spool/inbox/ 或 data/spool/inbox-doc/ | MinerU 转 Markdown |
.pdf / .md | data/spool/inbox-patent/ | 专利文献（按公开号去重） |
.pdf / .md | data/spool/inbox-proceedings/ | 论文集准备流程（先生成 proceeding.md + split_candidates.json） |
.docx .xlsx .pptx | data/spool/inbox-doc/ | MarkItDown 转 Markdown |
.md | 任意 inbox | 直接入库（跳过转换） |
根据用户意图选择预设：
ingest 预设（= mineru, extract, dedup, ingest, embed, index）full 预设（= mineru, extract, dedup, ingest, toc, l3, embed, index）reindex 预设（= embed, index）enrich 预设（= toc, l3, embed, index）注意：
inbox-doc/始终使用专用步骤office_convert, mineru, extract_doc, ingest，不受 preset 影响。inbox-patent/和inbox-thesis/也有各自的固定流程。preset 中的 papers 级步骤（toc, l3）和 global 级步骤（embed, index）在处理完所有 inbox 后统一执行。
执行流水线命令：
scholaraio pipeline <preset> [--dry-run] [--no-api] [--force] [--inspect]
可用预设：full | ingest | enrich | reindex
常用选项：
--dry-run — 预览处理，不写文件--no-api — 离线模式，跳过外部 API 查询--force — 强制重新处理（toc/l3 等步骤）--inspect — 展示处理详情--steps STEPS — 自定义步骤序列（逗号分隔），如 --steps toc,l3,index--list — 列出所有可用步骤和预设pipeline 当前会依次处理五个 inbox 目录：
data/spool/inbox/ — 普通论文（有 DOI 才入库，无 DOI 且非 thesis 转 pending）data/spool/inbox-thesis/ — 学位论文（跳过 DOI 去重，自动标记 thesis）data/spool/inbox-patent/ — 专利文献（按公开号去重，自动标记 patent，跳过 DOI 去重）data/spool/inbox-doc/ — 非论文文档（技术报告、讲义、Word/Excel/PPT、标准文档等，跳过 DOI 去重，LLM 生成标题/摘要）data/spool/inbox-proceedings/ — 论文集（强制按 proceedings 处理；普通 data/spool/inbox/ 不会当作 proceedings）旧版 data/inbox* 与 data/pending/ 是迁移输入，不是当前正常 runtime 输入。先运行 scholaraio migrate upgrade --migration-id <id> --confirm，再执行入库流程。
论文类的 Stage-1 元数据提取由 ingest.extractor 控制：
regex：纯正则，最快，不调用 LLMauto：正则优先，关键字段缺失时再调用 LLMrobust：正则 + LLM 双跑，校正 OCR 错误并处理多 DOI 情况（默认）llm：纯 LLM 提取论文集（proceedings）采用半自动两阶段流程：
scholaraio pipeline ingest 只负责把 PDF/MD 转成 configured proceedings library（fresh 默认 data/libraries/proceedings/<Volume>/proceeding.md），并生成 split_candidates.jsonsplit_candidates.json 并生成 split_plan.jsonscholaraio proceedings apply-split <proceeding_dir> <split_plan.json>
<Volume>/papers/<Paper>/scholaraio proceedings build-clean-candidates <proceeding_dir>
clean_candidates.json，用于汇总每个 child paper 的开头窗口、heading、缺失字段和结构信号clean_plan.jsonscholaraio proceedings apply-clean <proceeding_dir> <clean_plan.json>
keep / rename / reclassify / drop# Comment 2.、假 # Reporter ...Office 文件处理流程（data/spool/inbox-doc/ 中的 DOCX/XLSX/PPTX）：
step_office_convert（MarkItDown）→ 转换为 <stem>.mdstep_extract_doc（LLM 生成标题/摘要）step_ingest（写入 configured papers library，fresh 默认 data/libraries/papers/）pip install 'markitdown[docx,pptx,xlsx]'专利文献处理逻辑（data/spool/inbox-patent/）：
paper_type: patent无 DOI 论文的处理逻辑：
data/spool/inbox-thesis/ → 直接标记为 thesis 并入库data/spool/inbox-doc/ → 标记为 document 类型，LLM 生成标题和摘要后入库data/spool/inbox/ → LLM 分析判断是否 thesis
data/spool/pending/ 待人工确认超长 PDF 会在 MinerU 转换前按需自动切分后合并：
chunk_page_limit（默认 >100 页）>600 页 和 >200MB 两个限制，并在仅超大小时估算更安全的分片页数config.translate.auto_translate: true，只要本次 pipeline 包含 inbox 步骤并成功入库新论文，系统会在 papers 阶段自动插入 translate，位置在 embed/index 之前：translate.target_lang用户说："我放了几篇新论文到 inbox，帮我入库"
→ 执行 pipeline ingest
用户说："把这个网页/在线 PDF 直接收进库里"
→ 不要先让用户手动放 inbox，优先使用 scholaraio ingest-link <url>（它会通过 qt-web-extractor 抓取渲染后的网页内容或在线 PDF）
用户说："我在校园网/机构网，帮我从 DOI 或出版社页面下载正版论文 PDF"
→ 使用 scholaraio fetch-pdf <doi-or-url> --direct；如果要马上入库，加 --ingest。这个命令只利用用户当前合法访问上下文，不做访问绕过，也不需要 Paper Fetch Skill 或 PDF 转换功能。
用户说："把新论文全部处理完，包括提取目录和结论"
→ 执行 pipeline full
用户说："我有几份技术报告放在 inbox-doc 里了"
→ 执行 pipeline ingest（pipeline 自动处理五个 inbox 目录）
用户说："我把一个 Word 文档放进 inbox-doc 了"
→ 执行 pipeline ingest（自动用 MarkItDown 转换 DOCX）
用户说："我有几篇专利放在 inbox-patent 了"
→ 执行 pipeline ingest（自动处理五个 inbox 目录，专利按公开号去重）
用户说："我有一本文集放在 inbox-proceedings 里"
→ 先执行 pipeline ingest，等生成 split_candidates.json 后由 agent 审阅，再执行 scholaraio proceedings apply-split ...
用户说："重新建索引"
→ 执行 pipeline reindex
Use when the user wants to rebuild or refresh ScholarAIO keyword, full-text, FTS5, FAISS, or semantic search indexes after data or metadata changes.
Use when the user wants to find academic papers, search the local library, run keyword or semantic search, search by author, explore topics, or federate across library, explore databases, and arXiv.
Use when the user wants to import papers from Endnote XML/RIS, Zotero Web API or local SQLite, attach PDFs, match PDFs to records, or supplement records with PDF content.
Use when the user wants diagrams, flowcharts, architecture visuals, data relationships, timelines, concept maps, Mermaid, Graphviz, drawio, or polished paper figures generated from structured text or IR.
Use when the user wants to install, configure, diagnose, or troubleshoot ScholarAIO, including setup check, dependency status, API keys, and bilingual setup flow.
Use when the user wants Paper2Any-based paper-to-figure, PPT, poster, video, citation, rebuttal, DrawIO, mindmap, image, PDF-to-PPT, or KB workflows through the ScholarAIO Paper2Any MCP sidecar.