| name | pdf-case-reader |
| version | 1.0.0 |
| description | MBA 案例 PDF 智能阅读 Skill：提取 PDF 文本、分块结构化、生成案例摘要卡片、 识别关键数据表格和决策节点。配合 CaseBuddy RAG 流程使用。 触发词：读案例、提取案例、解析PDF、案例速读、案例文本提取、 PDF分析、读这个案例、帮我读PDF、extract case、parse case pdf。
|
| description_zh | MBA案例PDF智能阅读工具，支持文本提取、分块结构化、摘要卡片、数据识别，可与RAG配合减少全文塞入上下文。 |
| description_en | Smart MBA case PDF reader with text extraction, chunking, summary card generation, and key data identification. Works with CaseBuddy RAG pipeline. |
| allowed-tools | Bash, Read, Write, Glob |
| agent_created | true |
pdf-case-reader — MBA案例PDF智能阅读
专为 MBA 案例分析大赛设计。目标：从 PDF 提取结构化内容，替代"把全文塞进上下文"的低效做法。
核心问题诊断
现状（低效）：{{case}} 占位符 → session.caseText（全文）→ 直接拼入 prompt → 塞满 LLM 上下文
目标（高效）：PDF → 分块提取 → 结构化索引 → 按需检索相关片段 → 精准注入 prompt
使用场景
| 场景 | 调用方式 | 输出 |
|---|
| 案例速读 | extract_and_summarize | 摘要卡片（300字+时间线+数据表） |
| 角度选择 | extract_key_entities | 企业/行业/问题实体列表 |
| 深度分析 | chunk_by_section | 按章节分块（可供RAG检索） |
| PPT制作 | extract_data_tables | 所有数据表格（财务/市场/运营） |
| 答辩准备 | extract_arguments | 核心论点和支撑证据 |
环境准备
pip install pdfplumber pymupdf markitdown 2>/dev/null || \
python -m pip install pdfplumber pymupdf markitdown
工作流
Step 1: PDF 文本提取
优先使用 pdfplumber（结构化强），回退到 markitdown（兼容性好）：
python scripts/extract_pdf.py --input <pdf_path> --output <output_dir> --mode full
Step 2: 智能分块
将全文按以下规则分块（避免跨段截断）：
- 硬边界：
##/### 标题、页码分隔符、明显的空白行
- 软边界：每块约 800-1200 字，在句号/换行处截断
- 元数据：每块携带
{chunk_id, page_range, section_title, char_count}
python scripts/chunk_text.py --input <text_file> --chunk-size 1000 --overlap 100
Step 3: 结构化信息提取
从全文提取关键结构化数据：
python scripts/extract_structure.py --input <text_file> --output case_structure.json
输出格式：
{
"company": "企业名称",
"industry": "行业",
"time_range": "时间范围",
"core_problem": "核心问题",
"key_decisions": ["决策1", "决策2"],
"financial_data": [{"metric": "营收", "value": "XX亿", "year": "2023"}],
"timeline": [{"year": "2020", "event": "..."}],
"chunks": [{"id": 0, "text": "...", "page": 1, "section": "背景介绍"}]
}
Step 4: 摘要卡片生成
生成标准 MBA 案例摘要卡片（300字以内）：
【案例摘要卡片】
企业：xxx | 行业：xxx | 时间：xxxx-xxxx年
核心问题：一句话概括
关键决策点：① ② ③
核心数据：[数据表格]
时间线：[事件序列]
脚本说明
scripts/extract_pdf.py
功能：PDF → 纯文本 + 元数据
参数：
--input <path>: PDF 文件路径--output <dir>: 输出目录--mode: full（全文）/ structured（结构化）/ tables（仅表格）
scripts/chunk_text.py
功能：长文本 → 分块列表（JSON）
参数：
--chunk-size <n>: 每块最大字符数（默认1000）--overlap <n>: 相邻块重叠字符数（默认100）
scripts/extract_structure.py
功能：提取关键实体和结构（调用LLM辅助理解）
与 CaseBuddy 集成
在 WorkBench 的快捷分析中，{{case}} 替换规则改为：
原来：content.replace(/{{case}}/g, session.caseText)
改为：content.replace(/{{case}}/g, session.caseChunks?.summary || session.caseText.slice(0, 3000))
具体实现见 case-rag skill 的集成指南。
NEVER 规则
- 不做 OCR（扫描版PDF需先用 tesseract 处理）
- 不做跨会话持久化（状态存 session，刷新即清）
- 分块大小不超过 2000 字（防止单块超过LLM上下文）
- 不写入用户 PDF 原文件
