菜单
Ecosistema completo de procesamiento de PDFs: extracción de texto, OCR, extracción de datos estructurados, conversión a Markdown, generación de artefactos, y análisis de diseño. Cubre desde PDFs simples hasta pipelines de 1000+ documentos.
默认使用会先检查来源的 Prompt；你也可以切换为直接命令，或下载本地副本。
决定是否安装前，请先阅读 SKILL.md，以及 SkillsMP 当前展示的配套文件。
基于 SOC 职业分类
用 Codex 或 Claude 帮你安装 复制这段 Prompt，粘贴到 Codex、Claude 或其他助手里，让它检查 Skill 页面并帮你完成安装。
直接命令不会经过审查 Prompt；运行前请先检查来源。
npx skills add https://github.com/Ntizar/NtizarBrainMasterMind --skill pdf-processing命令会保持在同一行。复制前请横向滚动并检查完整内容。
想先保存到本地？可下载 SkillsMP 当前能够提供的文件。
正在显示 SKILL.md
| name | pdf-processing |
| version | 1.0.0 |
| description | Ecosistema completo de procesamiento de PDFs: extracción de texto, OCR, extracción de datos estructurados, conversión a Markdown, generación de artefactos, y análisis de diseño. Cubre desde PDFs simples hasta pipelines de 1000+ documentos. |
| tags | ["pdf","ocr","extraction","markdown","landing","artifacts","pymupdf","fitz","markitdown","liteparse"] |
Ecosistema completo de procesamiento de PDFs que cubre todos los patrones de uso:
| Subskill | Cuándo usar | Output |
|---|---|---|
| PDF → Structured Data (LLM) | PDFs digitales con texto seleccionable, necesitas datos JSON/CSV | JSON validado con schema |
| PDF → Structured Data (Regex) | Formato predecible, sin LLM/cloud, volumen alto | CSV plano + JSON |
| OCR Quirúrgico | PDFs escaneados/imágenes, necesitas preservar layout | Markdown/HTML con posición exacta |
| PDF → Landing Page | PDF de propuesta de diseño → landing HTML generada | HTML responsive |
| PDF → 3 Artifacts | Informe técnico → HTML resumen + LinkedIn post + nota | 3 artefactos con branding |
| Markitdown | Conversión genérica multi-formato a Markdown | Markdown limpio |
| LiteParse (Rust) | PDF rápido con OCR + bounding boxes + layout | JSON con spatial data |
| LiteParse (AI) | Extracción con LLM + auto-learn schema | JSON/CSV con schema aprendido |
¿El PDF tiene texto seleccionable?
├── NO → OCR Quirúrgico (si necesitas preservar layout)
│ └── ¿Necesitas datos estructurados? → PDF → Structured Data (LLM)
│ └── ¿Necesitas Markdown navegable? → OCR Quirúrgico
│
├── SÍ → ¿Necesitas datos estructurados (JSON/CSV)?
│ ├── Sí, sin LLM → PDF → Structured Data (Regex)
│ └── Sí, con LLM → PDF → Structured Data (LLM)
│
└── ¿Necesitas generar contenido a partir del PDF?
├── Landing page → PDF → Landing Page
├── Informe → artefactos → PDF → 3 Artifacts
├── Conversión genérica → Markitdown
└── OCR rápido con layout → LiteParse (Rust)
Para: Extracción de datos estructurados de PDFs digitales usando PyMuPDF + LLM.
Validado: 270+ informes CIAF → 99.6% éxito.
Pipeline: Font analysis → section detection → LLM schema filling → JSON validation.
Pitfalls clave: span["text"] puede ser None, text limit analizar antes, directory search recursivo, rate limiting en batch.
Para: Formato predecible, sin LLM/cloud, volumen alto, precisión determinística. Pipeline: PyMuPDF → regex por campo → CSV/JSON aplanado. Pitfalls clave: Backtracking catastrófico, doble escape, TOC confusión, year≠suceso, bilingüe duplicado.
Para: PDFs escaneados/imágenes, necesitas preservar layout con precisión absoluta. Pipeline: Corte página → clasificación → OCR fallback → ensamblado → vectorización ChromaDB. Pitfalls clave: poppler no funciona en contenedores, render es caro (solo fallback), Tesseract necesita preprocesado.
Para: PDF de propuesta de diseño → landing page HTML generada por IA. Pipeline: Extracción visual de colores (Median Cut) → análisis IA → generación HTML. Pitfalls clave: pdf-parse v2.x rompe API, ESM + createRequire, .env en .dockerignore, colores genéricos sin extracción visual.
Para: Informe técnico → HTML resumen + LinkedIn post + nota de auditoría. Pipeline: Extracción texto → análisis contenido → generación HTML (Aurora) → LinkedIn post → nota. Pitfalls clave: Atribución literal exacta, colores reales del PDF, fallback chain para extracción.
Para: Conversión genérica multi-formato a Markdown. Soporta 15+ formatos. Pipeline: Plugin-based converter architecture → Markdown limpio. Pitfalls clave: PDF tracking artifacts, \b\d+.\s regex come años, header stripping difiere por formato.
Para: OCR rápido con bounding boxes, spatial extraction, multi-formato (PDF, DOCX, XLSX, PPTX, imágenes). Pipeline: Rust core → PDFium → OCR selectivo → Grid Projection → JSON con layout. Decision: Markitdown para conversión genérica, LiteParse para OCR rápido con layout.
Para: Extracción con LLM integrado, auto-learn schema desde análisis de fuentes PDF. Pipeline: Rust parser → LLM extraction → JSON/CSV con schema aprendido. Casos de uso: Informes oficiales (CIAF), facturas, contratos.
ocr-quirurgico-pdf-md → Para PDFs escaneados con layout preservationpdf-to-landing → Para conversión PDF → landing pagepdf-to-artifacts-david-antizar → Para generar artefactos de contenidomarkitdown → Para conversión genérica multi-formatoliteparse-rust-pdf-ocr → Para OCR rápido con Rustliteparse-document-ai-parsing → Para extracción con LLM integradopdf-llm-extraction → Para datos estructurados con LLMpdf-regex-structured-extraction → Para datos estructurados con regexCatálogo de Addy Osmani de skills engineering para AI coding agents — 8 slash commands mapeados al SDLC (spec → plan → build → test → review → ship).
Generación de informes y documentos profesionales mediante LLM. Arquitectura prompt→LLM→HTML capítulo, plantillas por sección, integración con datos de appState, y patrón demo interactivo. Aplicable a PMST, informes técnicos, auditorías, y cualquier documento estructurado.
AI Engineering Hub — catálogo de proyectos y tutoriales de ingeniería de IA con Jupyter notebooks.