global-knowledge-chunking

# Global Skill: 法律条文或公司报告的知识片段切分 ## 数据来源 - 国家法律法规数据库（flk.npc.gov.cn） - 中国证监会法规与规章（csrc.gov.cn） - 上海证券交易所规则库（sse.com.cn） - 深圳证券交易所规则库（szse.cn） - 巨潮资讯公告与定期报告（cninfo.com.cn） - 美国 SEC EDGAR 公司文件（sec.gov） 说明：本 Skill 只使用公网可查数据。优先采用国家机关、监管机构、交易所、上市公司公告平台与公司官网公开页面；如接入评论、趋势、流量等公开数据源，需在实际部署时确认目标站点 robots、服务条款与访问频率限制。 ## 功能 - 将公开法律条文、规则条款、年报、审计报告等长文切分为适合检索与问答的知识片段。 - 抓取公开文档正文或链接的 PDF/HTML 文本 - 按条、章、节、标题、表格上下文进行规则化切分 - 支持滑动窗口切分与去重 - 输出 chunk_id、parent_doc_id、标题路径、正文、token 估算、页码/条号、URL、哈希 - 适合后续用于 RAG、法规问答、合规核查 ## 使用示例 ```bash cd script pip install -r requirements.txt python script/run_demo.py --url "https://www.csrc.gov.cn/csrc/c101953/c7547359/content.shtml" --mode regulation ``` ## 交易说明 本 Skill 不执行证券交易；“交易说明”仅说明其可服务于研究、合规、法务、审计场景，而非实时交易系统。 补充边界： - 本 Skill 仅基于公开资料进行检索、抽取、规则分析或代理评分。 - 不构成法律意见、审计结论、信贷审批结论或任何证券投资建议。 - 对“客户分群/客户价值评估”类结果，应明确标注其为公开数据 proxy，而非企业内部真实经营明细。 ## License 代码示例采用 MIT License；原始法规与公告文本版权归原发布机关或原披露主体。