reocr

name	reocr
description	Повторное распознавание плохо извлечённых документов через Haiku vision. Используй этот скилл, когда юрист говорит «перепроверь OCR», «плохо распознано», «низкое качество распознавания», «сделай re-OCR», или когда в `.vassal/index.yaml` есть записи с `ocr_quality: low|empty`, которые нужно перепрогнать через vision.

ReOCR — Повторный OCR через Haiku vision

Скилл оркестрирует main-Sonnet. Он выбирает документы, рендерит страницы в PNG через scripts/render_pages.py, вызывает Haiku-subagent по контракту 3.3B из shared/subagent-dispatch.md, затем перезаписывает зеркало и запись в .vassal/index.yaml.

Предусловия

• Существует .vassal/index.yaml.
• Доступен [PLUGIN_ROOT]/scripts/render_pages.py.
• Для docx и xlsx в режиме --force установлен libreoffice; без него такие документы пропускаются с понятным сообщением.
• Доступен Task(model=haiku) по контракту 3.3B.

Разбор аргументов

1. Прочитай аргументы команды /vassal-litigator-cc:reocr [--force] [doc-NNN ...].
2. Выдели флаг --force и список doc-NNN.
3. Если явно указаны doc-NNN, работай только с ними.
4. Если doc-NNN не указаны, выбери записи из .vassal/index.yaml, где одновременно:
   • ocr_quality равно low или empty;
   • ocr_reattempted не равно true.
5. Без --force пропускай записи с ocr_quality: ok.
6. С --force разрешено повторно обработать явно указанные doc-NNN, даже если у них ocr_quality: ok.
7. Если после фильтрации список пуст — сообщи Сюзерену, что подходящих документов нет, и остановись без изменений.

Sanity checks

1. Убедись, что .vassal/index.yaml читается и содержит documents.
2. Для каждой выбранной записи проверь:
   • существует file;
   • существует mirror;
   • file и mirror сначала разрешаются в абсолютные пути с учётом симлинков;
   • и file, и mirror лежат внутри корня дела. Если любой путь выходит наружу — остановись по этому документу как по блокеру и ничего не читай/не перезаписывай.
3. Если [PLUGIN_ROOT]/scripts/render_pages.py не найден — остановись с явным блокером.

Алгоритм по одному документу

Для каждой выбранной записи:

1. Создай временную директорию:

   TMP=$(mktemp -d -t vassal-reocr-XXXXXX)
   

2. Определи ветку по расширению исходника:
   • pdf, jpg, jpeg, png, tif, tiff, bmp:

     python3 "$PLUGIN_ROOT/scripts/render_pages.py" "$file" --output-dir "$TMP"
     

   • docx, xlsx только при --force:

     libreoffice --headless --convert-to pdf "$file" --outdir "$TMP"
     converted_pdf="$TMP/$(basename "${file%.*}").pdf"
     python3 "$PLUGIN_ROOT/scripts/render_pages.py" "$converted_pdf" --output-dir "$TMP"
     

     Если libreoffice недоступен — сообщи причину, пометь попытку как выполненную и перейди к следующему документу.
   • прочие форматы: сообщи, что формат не поддерживается для reocr, пометь попытку как выполненную и перейди к следующему документу.
3. Собери список page-*.png из TMP и подготовь prompt Haiku-subagent строго по контракту 3.3B из shared/subagent-dispatch.md:
   • ROLE: Ты OCR через vision в скилле reocr.
   • CONTEXT: абсолютный путь к исходнику и список абсолютных путей к PNG.
   • TASK: извлечь текст максимально точно, таблицы отдать markdown-таблицами, рукописное помечать [рукописно: ...], неразборчивое — [неразборчиво].
   • OUTPUT: markdown по страницам + финальный YAML-блок с pages_total, confidence_by_page, notable_issues.
4. Вызови Task с параметрами:
   • subagent_type: "general-purpose"
   • model: "haiku"
   • description: 3-5 слов
5. Прими markdown-тело и YAML-блок. Вычисли средний confidence как среднее confidence_by_page, округлённое до двух знаков.
6. Оцени результат по правилам shared/conventions.md:
   • если средний confidence >= 0.75 и средний объём не меньше 200 символов на страницу — ocr_quality: ok;
   • иначе — ocr_quality: low.
7. Даже при неуспехе повторной попытки фиксируй ocr_reattempted: true, чтобы не зациклить /reocr.

Перезапись зеркала

Делай read-modify-write существующего frontmatter и синхронизируй его с shared/mirror-template.md.

Существующий frontmatter зеркала используй как базу целиком. Не удаляй и не обнуляй поля, которых нет в списке обновлений ниже: должны сохраняться, например, doc_type, source_file, parties, origin_name, intake_batch, bundle, bundle_item_index, needs_manual_review, source и любые другие уже присутствующие поля.

Обновляются:

• pages → pages_total из vision OUTPUT
• extraction_method → haiku-vision
• extraction_model → haiku
• extraction_date → текущая дата YYYY-MM-DD
• confidence → средний float с двумя знаками
• ocr_reattempted → true

Если какого-то поля из списка обновлений раньше не было — добавь его. Остальные поля frontmatter оставь без изменений.

Тело зеркала полностью замени на полный vision-текст после frontmatter. Усечение запрещено: контракт mirror-full-text сохраняется.

Обновление .vassal/index.yaml

Для соответствующей записи обнови:

• extraction_method: haiku-vision
• confidence: <средний float>
• ocr_reattempted: true
• ocr_quality: ok | low
• ocr_quality_reason:
  • для ok — всегда пустая строка "";
  • для low — человекочитаемая причина, что re-OCR через Haiku vision всё ещё низкого качества, с текущей датой.

История и вывод

1. Добавь строку в .vassal/history.md в формате ### [YYYY-MM-DD HH:MM] reocr ....
2. Покажи Сюзерену summary-таблицу:
   • doc-id
   • before (extraction_method, confidence)
   • after (extraction_method, confidence, ocr_quality)
3. Для пропущенных документов явно перечисли причину: неподдерживаемый формат, нет LibreOffice, нет PNG после рендера, ошибка Task(model=haiku).

Дисциплина

• Не меняй документы, не попавшие в выборку.
• Не усекать vision-текст при записи зеркала.
• Не вставляй в prompt main-Sonnet содержимое исходников inline: передавай только абсолютные пути.
• Временный каталог TMP удаляй после каждого документа при любом исходе.