用途
Document Conversion 是一个面向学术研究工作流的文档转换技能。它的目标是把各类文档转换为便于阅读、搜索、综合和供 LLM 读取的副本，同时不削弱来源可追溯性。该技能明确强调：原生文档始终是事实来源（source of truth），Markdown 只是派生的便利层。
主要能力
- 识别文档类型、来源、标识符、语言以及是否需要 OCR。
- 保留原生文件，存放于 sources/pdfs/、reports/ 或 data/raw/。
- 选择损失最小的可用转换器，包括 Docling/Nutrient 风格的 PDF 工具、pdftotext、PyMuPDF、OCR、Pandoc 或项目专用解析器。
- 将 Markdown 保存到 sources/markdown/<source_id>.md（当它是研究来源时）。
- 当来源需要逐页通读时，另存线性阅读副本到 sources/markdown-linear/<source_id>.md，要求单栏、符合阅读顺序、适合完整顺序阅读。
- 将提取的图片、表格、素材保存到 sources/assets/<source_id>/。
- 对 SOTA 核心/支撑论文，在 sota/reading-log.csv 或矩阵行中记录线性阅读副本路径。
- 向 sources/conversion-ledger.csv 追加一行记录。
- 更新 sources/source-ledger.csv 和 wiki/sources/<source_id>.md。
使用方式
该技能以工作流形式组织，使用前需先阅读以下参考文件：
- references/repository-contract.md
- references/document-conversion-policy.md
- references/pdf-markdown-policy.md
- references/source-ledger.md
随后按工作流步骤执行：识别文档信息、保留原生文件、选择转换器、保存 Markdown 与线性阅读副本、提取素材、记录台账并更新来源信息。
质量门
在将转换后的文本用作证据之前，需抽样核对：
- 标题、作者、年份、DOI/arXiv/PMID
- 标题层级与章节顺序
- 表格、公式、图注和脚注
- 精确论断对应的页码
- 姓名、数字、公式和引用中的 OCR 错误
转换结果需标记为 good、usable-with-checks 或 poor。精确引文、数字、指标和公式必须对照原生文件核实。
限制与禁止事项
- 不得删除或覆盖原生来源。
- 不得将 OCR 文本视为权威。
- 不得在未按来源分文件夹的情况下混合多个文档的提取素材。
- 不得在没有质量说明的情况下，将转换后的 Markdown 文件用于对引用敏感的证据。
适用场景
适用于学术研究中将 PDF、DOCX、HTML、扫描论文、报告、提案、表格或图片转换为 Markdown、文本、提取素材或质量报告的场景，尤其是需要保留来源可追溯性、并供后续搜索、综合与 LLM 阅读的工作流。
暂未提供的信息
关于该技能的具体安装命令、依赖版本、支持的平台、收费或价格信息，资料中暂未提供。