用途：对指定 PDF 或 Office 文档做全文抽取、检索与语义理解，定位并汇总隐私/敏感信息，输出带定位与风险等级的审计报告，服务于合规审查、脱敏准备、外发前检查与隐私扫描。
主要能力：统一抽取 PDF/Office 文本并保留页码、段落、单元格定位；关键词检索与结构化理解，归纳文档结构与主题以辅助隐私判断；规则扫描生成候选隐私清单，再结合上下文语义复核，剔除误报、补充漏报；按隐私类别与风险等级分类汇总，输出审计摘要、发现明细与建议。
使用方式：先确认文件路径与格式、语言、是否含扫描页，明确隐私范围（仅 PII 或含财务/健康/凭据）与输出格式（Markdown 报告 + JSON 明细，或仅报告）。抽取全文：python scripts/extract_text.py --input /path/to/file.pdf --output /path/to/extracted.jsonl（docx 同理）。规则扫描：python scripts/pii_scan.py --input /path/to/extracted.jsonl --output /path/to/pii_report.json。PDF 无文本层时，提示先用 OCR（ocrmypdf 或 tesseract）处理后再抽取。分类与分级参考 references/pii_catalog.md。
输出模板：报告含文件、扫描范围、扫描时间、结论（低/中/高风险 + 说明），发现摘要表（类别、数量、脱敏示例、位置），高风险项，细项清单与建议（脱敏/删除/分级访问/加密存储等）。所有示例须脱敏展示并保留定位信息以便复核。
适用场景：合规审查、数据脱敏准备、外发前检查、隐私扫描。
限制：扫描页需先 OCR；规则扫描可能产生误报或漏报，需语义复核；具体支持的格式细节、性能与部署要求暂未提供。