super-extract

用途：从非结构化文档（PDF、DOCX、纯文本、URL 或粘贴文本）中抽取实体、事实或结构化数据，适用于命名实体识别（NER）、关系抽取等场景，并可将结果回溯到原文精确字符位置。\n\n主要能力：作为组合型工作流技能，它调用 pdf 技能读取 PDF 文本、docx 技能读取 Word 文本，完成实体抽取后定位并可视化。抽取输出为 JSON 数组，每项含 extraction_class、extraction_text 和可选 attributes；extraction_text 必须是原文的精确子串（区分大小写），按出现顺序抽取。\n\n使用方式：先按来源类型读取文本；再明确要抽取的实体类别及各属性；随后抽取为结构化 JSON；接着保存源文本与抽取结果，运行对齐器：python3 bin/align.py --stdin < /tmp/lx_input.json > /tmp/lx_output.json。对中日泰等无空格语言需加 --unicode：python3 bin/align.py --stdin --unicode < /tmp/lx_input.json > /tmp/lx_output.json。对齐输出会为每项添加 char_interval（start_pos、end_pos）与 alignment_status。最后生成高亮可视化，包含图例、悬浮提示、前后导航与统计。\n\n限制：长文本超过约 4000 字符需分块（约 3000 字符、重叠约 500）并去重合并；对齐在 extraction_text 为精确原文子串时效果最佳，应避免改写；超过约 20k 字符建议只汇总抽取数量或按章节展示；收费、价格、平台等信息暂未提供。