1实现原理 · 为什么它能做到
实现方式是「脚本编排 + 外部 API」：模型被硬性约束只能执行 scripts/vl_caller.py 调 PaddleOCR 文档解析 API，自身不得解析文档。
skills/paddleocr-doc-parsing/SKILL.md
**⛔ MANDATORY RESTRICTIONS - DO NOT VIOLATE ⛔**
注：这里在做什么：用带破坏性语气的强制约束堵住模型「自己看图解析」的退路。
标准工作流为单条命令：传 --file-url 或 --file-path 给 vl_caller.py，脚本负责编码/请求/封装。
skills/paddleocr-doc-parsing/SKILL.md
python scripts/vl_caller.py --file-url "URL provided by user" --pretty
注：这里在做什么：这就是技能的执行入口，参数决定本地文件还是远程 URL。
默认把原始 JSON 落盘到系统临时目录，并在 stderr 打印绝对路径；--stdout 才跳过持久化。
skills/paddleocr-doc-parsing/SKILL.md
Default path pattern: `<system-temp>/paddleocr/doc-parsing/results/result_<timestamp>_<id>.json`
注：这里在做什么：规定产物落盘策略，保证大 JSON 可回查。
输出是稳定 envelope（ok/text/result/error），text 为各页 markdown 拼接，result 为原生响应。
skills/paddleocr-doc-parsing/SKILL.md
"text": "Full markdown/HTML text extracted from all pages",
注：这里在做什么：把不稳定的 provider 响应包一层固定结构，方便模型/程序消费。
凭据经环境变量注入（API URL / ACCESS_TOKEN / 可选 TIMEOUT），运行时由脚本读取。
skills/paddleocr-doc-parsing/SKILL.md
primaryEnv: PADDLEOCR_ACCESS_TOKEN
注：这里在做什么：frontmatter 声明主凭据环境变量，配置流程据此引导用户。
给出明确错误处理（403 认证失败 / 429 配额耗尽 / 不支持格式），要求原样显示错误并停止。
skills/paddleocr-doc-parsing/SKILL.md
→ Token is invalid, reconfigure with correct credentials
注：这里在做什么：把 API 失败转成确定的行动指引而非让模型兜底。
大 PDF 先用 split_pdf.py 按页范围切片再解析（单请求上限 100 页）。
skills/paddleocr-doc-parsing/SKILL.md
python scripts/split_pdf.py large.pdf pages_1_5.pdf --pages "1-5"
注：这里在做什么：配套工具解决大文件分页，避免超限。
输出 schema 有独立参考文档，调试/理解格式时按需加载。
skills/paddleocr-doc-parsing/SKILL.md
`references/output_schema.md` - Output format specification
注：这里在做什么：渐进式披露，细节移到 references 而非塞进 SKILL.md。
2核心能力
01文档结构解析：文本、表格、公式(LaTeX)、图表、页眉页脚、印章、版面与阅读顺序
02本地文件与远程 URL 双输入（--file-path / --file-url），可显式指定 --file-type
03原始 JSON 自动落盘到临时目录并回报路径；--output/--stdout 可覆盖
04大 PDF 分页处理：split_pdf.py 支持混合页范围
05首次配置引导：缺失 env 时给出获取 API 的地址并列出所需变量
06自检脚本：smoke_test.py 验证配置与可选 API 连通性
07文件优化能力：Pillow 图像压缩与 pypdfium2 PDF 处理
08稳定的输出 envelope 与错误码（ok/text/result/error、INPUT/CONFIG/API_ERROR）
3外部依赖
| 类型 | 依赖 |
|---|---|
| cli | python（技能声明的 bins 依赖） |
| network | PaddleOCR Layout Parsing API（用户自备端点，路径以 /layout-parsing 结尾） |
| package | httpx（HTTP 客户端） |
| package | python-dotenv（读取环境变量） |
| package | pypdfium2（PDF 拆页/处理） |
| package | Pillow（图像处理） |
4风险提醒 风险提醒：橙色 · 评估后使用
风险提醒：橙色 · 评估后使用
- 用户文档会发送到外部 PaddleOCR 服务，数据离开本机。 — vl_caller.py 将本地文件或 URL 交给 PADDLEOCR_DOC_PARSING_API_URL 解析；涉密文档需评估合规。
- 聊天中提供的 token 可能留存会话历史。 — SKILL.md 允许从聊天提取凭据并自行警告该风险；实际操作应走宿主配置。
- 解析结果回灌模型上下文，存在间接提示注入面。 — 外部 API 返回的 markdown/文本可携带指令，模型可能照做，技能无内容净化步骤。
- 依赖外部服务可用性与配额。 — 错误处理列出 403/429；服务不可用或配额耗尽时技能只能停止（无本地兜底）。
判定 🟠 orange：技能为自身声明用途读取自身 env 凭据（PADDLEOCR_ACCESS_TOKEN 等），并把用户文档（本地文件或 URL）发送到外部 PaddleOCR 服务解析，同时命中「读凭据/env」与「送用户素材给外部服务后端」两项 orange 触发。另含本地写入（临时 JSON、可选 .env）。无逆向/绕过防护/任意代码执行，不到 red。风险提醒：orange，谨慎使用——文档内容会离开本机，首次配置勿在聊天中贴 token。
5第二遍独立确认
- [ok] 文件面核对 — §1 列出 11 个文件：SKILL.md、_meta.json、references/output_schema.md、7 个 scripts、2 个 requirements；与 internal_assets 一致。
- [ok] 网络调用真伪 — §3 network 命中 lib.py 的 urllib.parse；结合 SKILL.md 的 API 流程与 requirements.txt 的 httpx，确认真实外发到用户端点。
- [ok] 凭证读取复核 — frontmatter requires.env 明列三个变量，配置流程与错误处理段反复引用，确认真实读取。
- [ok] 写盘复核 — §3 写盘命中 configure.py 的 open(env_file,"w")；SKILL.md 另述默认 temp 落盘与 --output，结论成立。
- [ok] 行为限制是否落空 — ⛔ 强制约束为提示层，不构成技术隔离；宿主若允许仍可绕过，故 injection_surface 按提示层描述。
- [ok] 档位判定复核 — 读 env 凭据 + 外发用户素材 → 🟠 orange 成立，未达 red。
6结论
适合：需要从复杂文档（发票/财报/学术论文/多栏刊物）结构化提取文本、表格、公式、图表的用户；已有 PaddleOCR 端点与 token、愿意把文档送到该服务解析的场景。
不适合：对数据不出本机有硬性要求（涉密/合规）的场景；只需简单文本 OCR 或截图识别的任务（SKILL.md 明确劝退）；无 API 凭据且不愿配置外部服务的环境。
安装 agent 直装可复制
① 本站镜像 更新 2026-10-10
方式 A · 人下载镜像包下载 paddleocr-doc-parsing.tar.gz
sha256:
方式 B · JSON 格式安装指南，复制给 agent677ae1c7c7845ee9…agent 读 JSON 指南后会自动从本站下载安装，无需更多说明。
② 上游 GitHub · 原始来源
来源信息 GitHub 原始
作者 / 仓库freestylefly / freestylefly/canghe-skills
原始 GitHubfreestylefly/canghe-skills ↗
本 skill commit
dd0bf35595许可MIT（仓库根 LICENSE）
本站信息
收录日期2026-09-06
分类内容创作
侦查报告AI 侦查 · 2 遍 · 2026-09-06
本站镜像与 GitHub 原始是不同来源：本站锁定 commit 快照经 /r2 分发；GitHub 为实时上游，内容可能已更新。