pdf-to-md

name	pdf-to-md
description	将用户提供的 PDF 文件通过 OCR 转换为 Markdown 文本。使用 SiliconFlow DeepSeek-OCR 逐页识别，支持并发处理，结果自动保存为同名 .md 文件。 当用户提到 PDF 解析、PDF 转文本、读取 PDF 内容、识别 PDF 中的文字、OCR、扫描件识别等场景时使用此 skill。即使用户只是说"帮我看看这个 PDF"或"把这个文件转成文字"，也应触发。

PDF 转 Markdown Skill

将 PDF 文件通过 OCR 转换为结构化的 Markdown 文本。

何时使用

• 用户提供了 PDF 文件需要读取内容
• 需要从扫描件、证件、合同等 PDF 中提取文字信息
• 其他 skill（如公积金审核）需要解析用户提交的 PDF 材料

使用方式

本技能没有注册同名工具，用 run_shell_command 跑技能自带的脚本（部署后位于 /home/user/.skills/pdf_to_md/scripts/pdf_to_md.py）：

python /home/user/.skills/pdf_to_md/scripts/pdf_to_md.py path/to/document.pdf

脚本向 stdout 打印 JSON 结果。多个 PDF 分别调用即可。

返回结果

字段	说明
markdown	转换后的 Markdown 文本（超过 10000 字符会截断）
output_file	完整结果保存的 .md 文件路径
total_pages	PDF 总页数
total_chars	完整文本的字符数
truncated	是否被截断（"True"/"False"）

如果返回结果中 truncated 为 "True"，说明 markdown 字段只包含前 10000 字符，完整内容需通过 read_file 读取 output_file 路径的文件。

处理流程

1. 验证文件存在、后缀为 .pdf、大小不超过 50MB
2. 用 PyMuPDF 将 PDF 拆分为单页
3. 每页并发发送至 DeepSeek-OCR API（最多 10 并发）
4. 按页码顺序拼接结果，用 --- 分隔各页
5. 完整结果写入同目录下的同名 .md 文件
6. 返回截断后的文本供 LLM 直接使用

注意事项

• 每页独立 OCR，复杂跨页表格可能识别不完整，需人工核对
• 扫描质量差的 PDF（模糊、倾斜、手写）识别准确率会下降
• 需要 OCR_API_KEY 环境变量（必填、无默认值，缺失时脚本直接报 "API Key required for PDF OCR"）；OCR_BASE_URL 可选，默认指向 SiliconFlow
• 脚本跑在沙箱里，所以这两个环境变量必须配置在 sandbox scope（runtime scope 的变量沙箱读不到）
• 依赖 PyMuPDF（fitz）和 httpx，沙箱镜像已预装，无需在 nexau.json 里额外声明 setup