antinet-doc-parse

# 多格式文档解析 Skill（密卷房） ## 使用方式 - 由密卷房 Worker 在收到已通过安全扫描的文件时调用。 - 三级 fallback 依次尝试，输出最终结构化结果与置信度。 ## 输入（Input） - `file_path`：已通过 security-scan 的本地文件路径 - `formats`：（可选）期望支持的格式白名单，默认全格式 ## 输出（Output） - `markdown`：结构化 Markdown 正文 - `metadata`：标题、页数、表格数、作者等元数据 - `confidence`：0–1 解析置信度 - `fallback_used`：最终生效的解析器名称 ## 依赖（Dependencies） - MinerU（首选，强排版还原） - PyMuPDF（次选，PDF 快速解析） - pdfplumber（兜底，表格/文本抽取） - `python-magic`（类型探测） ## 失败处理（Failure Handling） - 主解析器失败 → 自动降级到下一档，直到全部尝试。 - 三级全部失败 → 标记 `人工介入`，不输出残缺结果，回传 BLOCKED 给军机处。 - 单页超大文件 → 分块解析后拼接，避免内存溢出；块级失败仅标记该块低置信度。 ## 复用价值（Reuse Value） - 通用解析底座：RAG 索引、企业知识库、合同结构化均可直接复用。 - 置信度透明：下游（通政司四色卡片）可据此决定是否需要人工复核，降低幻觉风险。 ## 复赛代码包执行（runnable package） - 真实入口：`scripts/run_doc_parse.py` - 执行等价于 `core.runtime.AgentSession.run_stage("doc-parse")`，调用 `archive.mijuanfang.MiJuanFangAgent`（三级解析 fallback，纯 Python 可离线）。 - 运行：`python skills/doc-parse/scripts/run_doc_parse.py` - 产物：`examples/snse_survey/skill_outputs/doc_parse.json`（解析结果 + 置信度 + fallback 信息）。