用途
Drawing Analyzer 用于处理建筑图纸 PDF（建筑、结构、MEP、市政等），使 Claude 能够准确回答关于图纸的问题并执行工程量统计（面积、数量、长度等）。建筑图纸对 AI 来说是最糟糕的输入之一：大型 PDF 充满符号和交叉引用，单虚线（冷水）和双虚线（热水）看起来几乎一样但含义完全不同。直接上传 10 MB 的图纸集会导致失败、重复计数，并且每个问题消耗 60-70k token。
该技能用一个原则解决这个问题：脚本做廉价的机械工作，模型做理解工作。每套图纸运行一次索引流程，把巨大的 PDF 转成小型 markdown 索引加上每张图纸的文本和图像。之后每个问题读取这些小型索引，而不是完整 PDF。
注意：不要编写模式匹配脚本来分类图纸（例如“如果标题包含 electrical 则归为电气”）。图纸格式差异太大。分类、交叉引用和符号阅读必须由模型阅读每张图纸来完成。脚本只负责拆分、渲染、提取文本和提取矢量。
主要能力
- 将合并的 PDF 按图纸拆分，渲染为图像，并提取文本，生成 manifest.json。
- 由模型逐张阅读图纸文本（必要时查看图像），完成图纸分类（布局图/剖面图/详图/明细表/总说明/图例）和专业归属。
- 由模型构建交叉引用矩阵，记录每张图纸指向的其他图纸及原因（详图标注、剖面标记、明细表代码如 TD7、F6、“见图纸 X”等）。
- 由模型构建符号图例，将每个符号/线型/缩写映射到含义，从而区分冷水管和热水管等。
- 由模型编写主索引，包含每张图纸的一行摘要、整体包摘要和查询规则。
- 支持工程量统计，优先使用矢量方法提取多边形，并要求进行独立的合理性检查。
使用方式
首次设置
pip install -r "$SKILL_DIR/scripts/requirements.txt" # PyMuPDF
模式 A — 索引（每套图纸运行一次）
目标：把 merged.pdf 转成 analysis/ 文件夹中的小型可查询产物。
步骤 1 — 拆分、渲染、提取（脚本）：
python3 "$SKILL_DIR/scripts/split_pdf.py" <merged.pdf> <project_dir>/analysis
每张图纸生成：sheets/sheet_NNN.pdf、images/sheet_NNN.png（以 Opus 可读取的最大分辨率渲染）、text/sheet_NNN.txt，以及 manifest.json。
步骤 2 — 分类每张图纸（由模型完成，不是脚本）：先读取 text/sheet_NNN.txt（成本低），仅在文本不足时才打开 images/sheet_NNN.png。使用 templates/sheet-classification.md 模板写入 analysis/sheet-classification.md。使用 references/drawing-types.md 判断类型（布局图/剖面图/详图/明细表/总说明/图例）和专业。记录图纸编号、标题、比例以及该图纸包含的数据。
步骤 3 — 构建交叉引用矩阵（由模型完成）：查找详图标注、剖面标记、明细表代码（如 TD7、F6）和“见图纸 X”注释。按图纸记录它指向哪些其他图纸及原因。使用模板写入 analysis/cross-references.md。
步骤 4 — 构建符号图例（由模型完成）：阅读图例/总说明图纸以及图纸内的图例。写入 analysis/symbol-legend.md，将每个符号/线型/缩写映射到含义。这是后续区分冷水管和热水管的关键。
步骤 5 — 编写主索引（由模型完成）：使用模板写入 analysis/drawings.md，包含每张图纸的一行摘要、整体包摘要和查询规则。这是每次查询开始时需要读取的文件。
模式 B — 查询（索引后的每个问题）
- 读取 analysis/drawings.md（仅在相关时读取 cross-references.md / symbol-legend.md）。不要读取原始 merged.pdf。
- 从索引中确定包含答案的具体图纸。
- 读取该图纸的 text/sheet_NNN.txt，必要时读取 images/sheet_NNN.png，然后沿交叉引用查找其他图纸（例如平面图上的基础标记 -> 其明细表 -> 其剖面图）。
- 对于工程量统计（面积、数量、长度）：遵循 references/takeoff-methodology.md。优先使用矢量方法：
python3 "$SKILL_DIR/scripts/extract_vectors.py" <project_dir>/analysis/sheets/sheet_NNN.pdf --scale <units_per_point>
始终运行第二个独立的合理性检查（例如整体建筑尺寸）并进行比较。
回答时给出：数字、置信度（高/中/低）及原因、使用的源图纸。永远不要把精确计数当作确定无疑。明确说明不确定性。
适用场景
- 需要从建筑图纸 PDF 中提取信息并回答问题的场景。
- 需要执行工程量统计（面积、数量、长度）的场景。
- 涉及多专业图纸（建筑、结构、MEP、市政）且需要交叉引用的场景。
- 需要区分相似符号/线型（如冷水管与热水管）的场景。
限制
- 分类、交叉引用和符号阅读必须由模型阅读每张图纸完成，不能依赖模式匹配脚本。
- 图纸格式差异很大，脚本只负责拆分、渲染、提取文本和提取矢量。
- 工程量统计结果必须标注置信度并明确说明不确定性，不能给出确定无疑的精确计数。
- 需要先安装 PyMuPDF 依赖。
- 索引流程每套图纸需要运行一次，之后查询才高效。
文件说明
- scripts/split_pdf.py — 拆分 + 渲染 + 文本提取（机械）
- scripts/extract_vectors.py — 用于工程量统计的矢量/多边形提取（机械）
- references/drawing-types.md — 如何分类和处理每种图纸类型
- references/takeoff-methodology.md — 带交叉检查的准确计数/面积方法
- templates/ — 三个索引的 markdown 模板
输出示例
仓库地坪面积 ≈ 13,250 m²（置信度：高）。方法：从 S-201 的地坪轮廓提取多边形，并与 A-101 的整体建筑尺寸交叉核对（13,600 m² 总面积，含外部地坪）。源图纸：S-201、A-101。