| name | pdf2md-agent-skill |
| description | 将 PDF、DOCX、PPTX、XLSX、HTML、CSV 等文档转换为适合 LLM 处理的 Markdown。英文 PDF 使用 md_convert.py；中文论文和中文扫描 PDF 使用 md_convert_zh.py。用户要求阅读、总结、翻译、问答、引用或提取 PDF/Office 文档内容时使用；先转换，再读取生成的 Markdown。 |
pdf2md-agent-skill - PDF/文档转 Markdown
何时触发
需要读取 PDF 内容时，先使用本 skill 转换为 Markdown。
先将 PDF 转换为 Markdown，再用当前 Agent 可用的文本读取工具读取输出文件。
触发场景：
- 用户给了 PDF 路径，要求阅读、总结、分析、翻译、问答
- 需要引用 PDF 中的具体内容
- 需要提取 PDF 中的表格、公式、参考文献
标准工作流
先将 <skill_dir> 解析为本 SKILL.md 所在目录。不要假定 skill 安装在 ~/.claude/skills，因为 Codex、自定义安装和 Windows 的路径不同。
按固定顺序执行：
python3 "<skill_dir>/scripts/md_convert.py" "<pdf路径>" -o "<工作区临时目录>/<名称>.md"
python3 "<skill_dir>/scripts/md_convert_zh.py" "<pdf路径>" -o "<工作区临时目录>/<名称>.md"
PDF 脚本选择规则
- 用户明确说明论文为中文或英文时，使用对应脚本。
- 用户未说明时，Agent 根据用户上下文、文件名和第一页可读文本判断正文语言。
- 无法可靠判断时，先询问用户；不要自行猜测并调用某个脚本。
- 中英混排但中文正文为主时使用
md_convert_zh.py；英文正文为主时使用 md_convert.py。
- Word、PPT、Excel、HTML、CSV 等非 PDF 格式继续使用
md_convert.py。
示例：
python3 "<skill_dir>/scripts/md_convert.py" \
"/path/to/some-paper.pdf" \
-o "./some-paper.md"
python3 "<skill_dir>/scripts/md_convert_zh.py" \
"/path/to/chinese-paper.pdf" \
-o "./chinese-paper.md"
然后读取 ./some-paper.md。
英文 PDF：md_convert.py
英文 PDF 有多类页面，处理策略不同。md_convert.py 自动逐页判断：
| 页面类型 | 脚本策略 | 说明 |
|---|
| 普通文本页 | PyMuPDF 提取 | 快、免费，段落合并+双栏排序+页眉过滤 |
| 公式密集页 | Ark 视觉 OCR | 公式转写为 LaTeX（\( E_i \)），避免碎片化 |
| 扫描页 | Ark 视觉 OCR | 渲染图片 + 视觉模型识别 |
| 混合型 | 逐页自动分流 | 一篇论文只 OCR 公式页，兼顾速度与质量 |
智能混合策略：脚本检测每页数学符号密度，公式页（占比 >1.5%）自动用 OCR 转写 LaTeX，文本页用 PyMuPDF。
并行加速：所有需要 OCR 的页面先在主线程一次性分类并预渲染为图片，再一次性提交到线程池并行调用视觉模型（默认并发 10），把"逐页串行等待"折叠成近似单页耗时。-j 可调并发，设 1 退化为顺序处理。
英文 PDF 禁止行为：
- ❌ 不要将中文论文误用英文脚本；应按上方选择规则调用
md_convert_zh.py
- ❌ 不要用
markitdown 裸命令转 PDF（默认 pdfminer 后端会丢空格）
- ❌ 不要把 PDF 当纯文本直接读取
- ❌ 不要省略
-o 参数（该参数必需）
中文 PDF：md_convert_zh.py
中文脚本单独处理中文论文和中文扫描 PDF。需要视觉识别的页面可使用 Ark OCR；配置 ARK_API_KEY 与可选的 ARK_BASE_URL 后调用：
python3 "<skill_dir>/scripts/md_convert_zh.py" chinese-paper.pdf -o ./out.md
python3 "<skill_dir>/scripts/md_convert_zh.py" chinese-paper.pdf -o ./out.md \
--ocr -m MODEL_ID -j 10
中文脚本默认导出 独立内嵌图片 到与输出 Markdown 配套的 assets 目录，并在 Markdown 中使用相对路径引用。覆盖几乎整个页面的扫描底图会跳过：它代表整页内容，应交由 OCR 识别，不会作为重复页面图片导出。使用 --no-extract-images 可不创建 assets 或导出独立图片。
| 参数 | 说明 |
|---|
--ocr | 强制中文 PDF 全篇使用 Ark OCR |
-m, --model | 指定 Ark 视觉模型 |
-j, --concurrency | 设置 OCR 并发数 |
--allow-partial | 明确接受 OCR 页面缺失时的部分输出 |
--no-extract-images | 禁止导出独立内嵌图片和 assets |
页面发送至 Ark OCR 前会被渲染为图片并传输到配置的服务端点；处理保密文件前应确认用户允许远程 OCR。
英文脚本参数
| 参数 | 说明 | 何时用 |
|---|
input | 输入文件路径（必需） | 总是 |
-o, --output | 输出 .md 路径（必需） | 总是 |
--ocr | 强制全篇 LLM OCR | 仅当自动检测明显出错时（罕见） |
-m, --model | 视觉模型，默认 doubao-seed-1-6-flash-250828 | 需换模型时 |
-j, --concurrency | OCR 并发数，默认 10（环境变量 PDF2MD_OCR_CONCURRENCY 同效） | 遇限流调小；设 1 则顺序处理 |
--allow-partial | 允许 OCR 缺页时仍成功退出 | 仅在用户明确接受残缺输出时 |
--no-llm | 非 PDF 格式禁用 LLM 增强 | 仅非 PDF 格式 |
--version | 显示版本号 | 查询版本时 |
默认调用不要加任何可选参数：
python3 "<skill_dir>/scripts/md_convert.py" input.pdf -o ./out.md
非 PDF 格式
Word/PPT/Excel/图片等也支持，走 markitdown 原生路径：
python3 "<skill_dir>/scripts/md_convert.py" report.docx -o ./report.md
这类格式可直接用相应文档工具读取；需要统一结构时再转 Markdown。
环境与依赖
环境变量：
ARK_API_KEY - 公式密集页、扫描页或空文本页触发视觉 OCR 时必需。完全不触发 OCR 的文本 PDF 无需设置。ARK_BASE_URL - 可选，默认 https://ark.cn-beijing.volces.com/api/v3。Ark 已验证；其他端点必须兼容 Chat Completions、视觉输入和 data URL，使用前自行验证。
依赖：
pymupdf（PDF 文本提取 + 渲染）openai（Ark 视觉模型客户端）markitdown（非 PDF 格式后端）
要求 Python 3.10+。
错误处理
| 报错 | 原因 | 处理 |
|---|
ARK_API_KEY 未设置 | 公式页/扫描页/空文本页需要视觉 OCR | 配置 Key，或改用不触发 OCR 的输入 |
文件不存在 | 路径错或含空格未加引号 | 用引号包裹路径 |
openai/markitdown/pymupdf 未安装 | 依赖缺失 | pip install <包名> |
PDF 已加密 | PDF 设了密码 | 先解密 PDF 再转换 |
检测到 OCR 缺页 | Key 无效 / 网络 / 模型名 | 检查错误后重试；仅在明确接受残缺输出时使用 --allow-partial |
输出路径不能与输入文件相同 | 输出会覆盖原文档 | 为 Markdown 指定不同路径 |
| 转换成功但内容为空 | 可能是纯图片 PDF 被误判 | 加 --ocr 强制 OCR 重试 |
转换失败时：不要反复重试相同命令，先看 stderr 报错信息定位问题。
输出约定
- 脚本将 Markdown 写入
-o 指定文件，stderr 输出处理日志（每页类型、进度）
- 成功时最后一行：
OK: <input> -> <output> (XX KB)
- 任一 OCR 页面失败时默认返回非零退出码；显式使用
--allow-partial 才接受残缺输出
- 用文本读取工具读取输出文件后，再基于内容继续工作
与其他工具的分工
| 场景 | 工具 |
|---|
| 读 PDF 内容 | 本 skill（必用） |
| 读 Word/PPT/Excel | 本 skill 或当前 Agent 的文档工具 |
| 读纯文本/代码/Markdown | 当前 Agent 的文本读取工具 |
