用途：本技能提供可复用的构建块，把 LandingAI ADE 的 parse（解析）、extract（抽取）、split（拆分）等原语组合成可投入生产的文档处理流水线。它与 document-extraction 技能互补：后者聚焦 ADE SDK API 单次调用（parse、extract、split、grounding），本技能聚焦端到端流水线（批量、RAG、数据库、分类路由），按工作流模式而非文档类型组织。
主要能力与构建块：预检（渲染页面 + 诊断解析）、解析并保存、解析+抽取+保存、同步批量（ThreadPoolExecutor + tqdm）、异步批量（AsyncLandingAIADE + aiolimiter）、大文件 Parse Jobs API、分类后抽取、结果转 DataFrame/CSV/Snowflake、分块转 RAG CSV、ChromaDB、FAISS、RAG 查询、分块图像裁剪、grounding 叠加、词级 grounding、章节抽取、嵌入计算、层级分块、多粒度 RAG、跨页表格拼接，以及 Pydantic 模式目录。
必要用法与规则：使用前先对 1–3 份代表样本运行预检（视觉渲染和诊断解析），不要凭文档类型臆测标题格式；ADE 页码为 0 起始，涉及边界框裁剪的工作流必须回读至少一张输出 PNG 做语义验证。parse()、extract()、split() 均支持 save_to 参数，会写出 {input_filename}_{method}_output.json。章节抽取有两种方式：文档格式统一（一致的 ATX 标题）时用正则，格式多变（纯文本编号标题、扫描件、幻灯片）时改用 ADE extract。
适用场景：批量文档处理、RAG 流水线、数据库或 CSV 落地、多文档 PDF 的拆分-分类-抽取、跨页表格合并等。
限制：诊断解析会消耗 ADE credits，应保持 1–3 份样本而非全量语料；首次解析后建议用 pr.model_dump() 保存 JSON 供后续开发复用，仅在文档集变化时重新解析。其余细节（具体收费、价格、性能指标、支持平台）暂未提供。