pdf-book-decompose · 扫描件 PDF 拆书流水线

定位

把一本扫描件 PDF（几百页、上百 MB、无文本层）变成三样东西：① 可全文检索的 full.md ② 一份方法论提炼报告 ③ 沉淀进技能库的可复用资产。
实测：百页级扫描件（116MB/204 页、176MB/278 页）OCR+合并约 2 分钟。

> 📌 正文只留「决策点 + 判据」；命令、实测数据、全量踩坑在 references/01~07——执行某步前先读对应文件（索引见文末）。工件落盘＝与源文件同目录：书目录下建 _探测/ _转档/ _提炼/ _交付/ 分区；旧版独立工件仓已停用，统一用书目录单仓｜开工先查书目录：有 full.md → 跳过 S1–S5（见 S12）。

S0 通道选型（开工前先定，别默认 camscanner）

先探文本层再定通道。扫描件优先 camscanner 出 md（结构+页码+内容三者兼得）；WPS GUI→docx→markitdown 仅在 camscanner 不可用（>200MB / 网络受限）时兜底。两通道正文保真同为 97%±，差距在结构不在内容；页码只在 camscanner 侧保留（要缺页检测必须走 camscanner）。wpscli pdfinfo 本地探测、不上传、不耗 VIP。
📌 通道对比全表 + 三本样书复测 → references/01 §七/§八。

S1 探测（别白跑 OCR）

extract_text() 长度≈0 → 扫描件，走本流水线；有文本层 → 别 OCR，直接用 pypdf / markitdown 直提。
⚠️ 有文本层 ≠ 每页都有 → 抽 6~10 页算零字页比例（<5% 可直提；>20% 残缺，需 OCR 或双通道互补）。
📌 透印判据全文 → references/01 §十一。

S2 建目录 + 拆段

书目录下建 _转档/extract/ 放中间产物（原件在书目录，不复制）。建目录时同步创建《拆解进度表》（模板 references/07）——跨会话拆书靠它续接，没写进表里的进度等于没发生。拆段必需（camscanner 无分页参数）：25~30 页/段、单段 ≤20MB；>40MB 先跑 scripts/split_pdf.py 按 15MB 预拆（避开上传 504）。

S3 并发 OCR

camscanner-cli pdf convert 分段并发；前置 camscanner-cli auth status 须 authenticated: true（token 存钥匙串，到期重 auth）。完整命令 → references/01 §二。

S4 校验（不可跳过）

ls extract/*.md 数量必须 = 段数。并发上传偶发 unexpected EOF → 失败段单段重跑一次即可，禁整批重来。

S5 合并 + 缺页检查

按序拼接，段间插 <!-- ===== extract/partN.md ===== --> 便于行号溯源。缺页检查＝比目录页码与正文章节连续性（扫描漏页不报错，安静地少几页）→ 标【推断·OCR缺页】。

S6 分段提炼（别让主模型通读全文）

按章节派子代理并行精读，各返回结构化笔记（主题 / 方法 / 阈值 / 案例 / 短句 / 局限），主模型只汇总。回传必须摘要化——原文驻留主会话＝上下文雪球。
📌 派工 prompt 与笔记格式 → references/09。

S6-R 回传自检门：可还原检验（2026-10-10 拍板引入 · 源自《思维导图高效工作法》p156/p161）

子代理回传前必须自过两级检验，不通过不许回传（写在派工 prompt 里强制）：

• R1 语义可还原：合上原文（不再回看分段文件），仅凭自己的笔记复述该板块——① 一句话核心主张 ② 各小节要点 ③ ≥2 个案例（含页码）④ ≥3 项硬阈值。复述不出的项 → 回原文补，或删掉该条。
• R2 证据可回溯：笔记里每条锚点页码，能否在原文定位到对应内容？定位不到或对不上的 → 判为空锚点，必须修正或删除（无锚点＝未验证＝不写）。

🔴 假通过警戒（本门的命门）：程序性材料（操作步骤/流程/合同条款）用关键词能"复述大意"却丢掉顺序与判定条件——R1 会通过而实际失真。此类板块的 R1 须改为"复述顺序 + 判定条件"，不能只复述要点。

主模型侧只抽检：收到笔记后抽 1~2 条锚点 grep 原文验证即可——全检＝重读原文，违背分段初衷。

S7 成稿 + 入库

主文档 方法论提取与实现路径评价.md，头部写清：来源路径 / 页数体积 / OCR 通道与段数 / 合并后行数字符数 / 出版信息 / 命名警示。然后：提炼 → 建/改技能（走技能写作规范门禁）→ 落工作日志 → present_files。

S7-A 逐条失效边界

每条方法论/框架/原则各带一条边界（"提炼品 vs 鸡汤"的分水岭，边界绑在条目上）：
- **〔名〕**：〔正文〕 → 🎯 **触发**：〔什么时候该用它〕 → ⚠️ **边界**：〔什么情况下会变坏事 / 被误用成什么〕
三型择一（禁写"注意适用范围"这类空话）：① 误用型 ② 条件型 ③ 反转型。自检：条目数＝触发数＝边界数。文学类（S11）不适用。（触发半行

S7-B 知识库蒸馏收尾三件套

> 收尾 ≠ 总账登记完——知识库（<你的知识库>）不写，Obsidian 里就查不到这本书。
四件（缺一即未收尾）：① 蒸馏卡 <你的知识库>\<书名>·拆书蒸馏.md ② 永久笔记卡（一句话+用法+失效边界+回链）③ MOC 重跑（索引重建脚本，头部明令"不要手工编辑"）④ 总账回写。
金句纪律：蒸馏卡金句先 grep 回 full.md 拿 PDF_PAGE 锚点再写（凭印象转写必错页码）。
📌 三件套全文格式 → references/04 §九。

S8 保真度抽检（回答「从原书到提炼丢了多少」）

真值法：AI 多模态直读原书页面逐字转录 → 与转档产物比对 → 正文页召回 ≥95% 才准进下游。🔴 禁止用 OCR 产物互当基准（循环论证，曾据此算出假数字）。
🚦 抽样四类必选：纯文字 / 图文混排 / 表格界面 / 图卡·清单版式的「卡片标题区」——最后一类最易被噪声整体替换（资源名→乱码）而字符级指标与页码连续性全都看不出；清理噪声时删除须有对照政策，无法判定则「保留＋加注」，禁静默删除（实例：《见世面》资源区 8 页标题全丢，见 references/05 §6.4）。
📌 真值法脚本 / 读图三坑 / 图卡书实战 / 降级三重校验 / 样本召回数据 → references/05。

S9 大部头（>200 页）作业要点

区别在失败成本（拆错段/选错通道，重跑几小时）。先探规模再定通道；10 段约失败 1 段 → 逐段查 log + 单段重跑；S8 不可省；禁止通读全文。📌 六步表+耗时 → references/01 §三。

S10 版权红线（转档产物的下游使用）

内部学习 / 本地检索 → 可全文转档、作知识库、内部提炼；对外发布 / 商业分发 → 须过改编权与汇编权红线（禁按章复述、禁成批罗列金句，见 S14 / S15）。
📌 两档边界全文 → references/04。

S11 文学类书籍：提取目标换成「叙事资产」

> ⚪ 尚无文学类书完整实测（口径待首例验证）。与工具类根本区别：工具类提「怎么做事」，文学类提「怎么写」——价值在行文本身。
六类叙事资产（人物 / 场景 / 冲突 / 意象 / 物化情绪词 / 语言技法）+ 子代理 prompt 增补 → references/02。

S11-B 经典著作：走「素材原料轻量通道」（轨 B）

> 第三类输入：思想 / 科学 / 人文经典（《战争论》《金枝》《物种起源》类）——价值在「能查到、能引用、能当砖料」，不在方法论穷尽登记；成本压到全链 S0–S16 的 1/5 以内。
> 🔴 抽帧适用性红线（开工第一道闸）：素材类抽帧可接受（最坏只是漏素材）；技术功能类禁用抽帧（漏内容 → 理解偏差甚至错误理解）。

**五步轻量流程（S0'–S4'）+ 概念卡字段表 + 边界表（不发技能包 / 不全量 S8 / 不进 TeamCreate）+ 版权纪律 → 全量见 references/08。

S12 双仓分工与书稿登记

书目录＝唯一仓：原件与全部加工产物按 _探测/ _转档/ _提炼/ _交付/ 分区落盘；书稿台账固定在自选的固定路径。
📌 单仓分区制全文 / 登记表字段 / 命名规范 / 7 本实测 → references/03。

S13 缺页判别（五类）

📌 A–E 全文（判别链 / 失效方法表 / 页脚拼图法 / 实测数据）→ references/04 §六。
> 🔴 贯穿铁律：唯一真值是原书页面本身；带裁切窗口的采证件必须与「页对象索引」强绑定并双标注。

S14 面向「真实读者」的解读稿产出

> 触发：「拆书任务，全文阅读理解，写一篇解读稿给真实读者」——S7 给自己看，本节给外部读者看。
四条红线：① 🔴 禁按章复述（＝缩写本，触改编权）→ 重排为「读者关心的问题」② 原书案例必须换掉或压成「证明什么」，金句禁成批罗列 ③ 第一人称、有判断、敢批评 ④ 遮住书名测试。
📌 六段结构 + 四路批评判据 + 对照表 + 两例实测 → references/04 §七 / §十二。

🧩 导图兼容约定。四条，写作时同步满足，否则下游抽不出可靠结构：
1. 核心条目统一用 **N. 条目名——一句话定义。**（加粗 + 编号 + 破折号定义）→ 导图主干的直接抓取点
2. 顶层条目控制在 3~7 条——超出则下游必须砍，砍＝丢信息（对应组块双闸）
3. 每条给一句可独立成立的定义（脱离上下文也看得懂）→ 导图节点直接取用
4. 需指定配图风格/投放平台时，在文首写 mindmap_style: tech|biz|life|art|sci|neutral / mindmap_platform: wechat|xhs|zhihu|toutiao
> 消耗方：同系列技能「思维导图配图」（mindmap-render，已在技能市场上架）——解读稿按上述约定写，导图直接抽条目成图。改上游是为了让下游从「AI 猜」变成「AI 抄」。

S15 对外交付形态：把技能点整包成「可交付 SKILL」

> 触发：「技能点要全部提炼出来，作为可对外交付的 SKILL 包」——S7 内部底稿 · S14 读者稿 · S15 别人拿到就能跑。
🚦 前置闸门：技能包的必要条件是「内容可重复」——读物内容不具备可重复性（如社会科学类读物的一次性论断 / 个案记述 / 时效性清单）→ 不落包，只做 S6、S7 骨架 ＋ S14 解读稿 ＋ S16 蒸馏。判据：能否被别人在不同场景反复套用；不能则不做。实例：《带孩子低成本见世面的100种方法》＝社会科学类读物 · 内容不可重复 → 明确不做 S15。
包结构：SKILL.md（须含 source:）+ references/（能力全图 / 提示词库 / 流程 SOP / 风险坑清单）。
七条硬约束：穷尽登记不取舍 · 必含 source: · 剥离本机依赖 · 原书 bug 如实带出 · 参照 S10 · 交付通用能力非本机复刻 · 能被对方直接装上（ASCII 名 / 00-INSTALL-FIRST.md / zip + 单文件双形态 / 禁裸 ---）。
📌 完整规程 + 能力压测门 + 出厂质检 7 组 → references/04 §八 / §十一；跨场景交付另有专门工程流程。

S16 「一页检查表」产出（⚪ 尚无实例交付）

清单体：动词开头、可打勾、有停点。形态硬要求：严格一页 ｜ 动词开头可判定（禁名词短语）｜ 每条「检查项 + 停点」｜ 按使用时机分组 ｜ 每条带「不满足会怎样」｜ 禁抄 S14 段落 / 复述案例 / 列金句。
四段式：动手前 → 进行中（停/转）→ 收尾（自检）→ 三条硬停点。产出 一页检查表-〔书名〕.md → references/06。

S17 工厂经营自查表（⚪ 尚无实例交付）

S16 的行业定向实例——把通用原则翻译成工厂语汇（产线 / SKU / 翻单 / 排产），填进 S16 四段式骨架。
使用口径：① 先补阈值再用（「待补」空缺时只能当提问清单）② 产出归 20-工厂业务，不进拆书工件仓 ③ 含本厂语汇属内部工具，不随 S15 对外交付。
⚠️ 待补阈值不得由 AI 编造→ 梳理成「提问清单」交业务侧。→ references/06。

S18 团队作业成本纪律

> 机制问题约七成；最大浪费 ＝ 成员全文回传驻留主会话（上下文雪球）。
五条：回传摘要化 · 分工不重叠 · 依赖前置 · 不过度并行 · 成本可归因。
📌 五条全文 + 《情节！情节！》510 分归因检讨 → references/04。

踩坑点

> 📌 1–16 条全表 + 2026-09-29 新增 7 条 → references/01 §九 / §十。此处只留必须当场记住的判据。

• 高频五条：① camscanner 无分页参数 → pypdf 先拆，单段 ≤20MB ② 并发必有失败段 → 单段重跑，禁整批重来 ③ OCR 缺页不报错 → 目录页码反查 + 内容探针 ④ 别让主模型通读全文 ⑤ 中文路径用 r'...'。
• 🔴 编号序列缺口 ≠ 内容缺失（连踩 3 次）：可能是不印页码 / 人工删空白页 / 重做批次跳号 → 先问「这份 PDF 有没有被删过页？」
• 🟢 截断句判据：跳号处前页完整收尾 ∧ 后页完整开头 → 中间是空白页；前页停在半句 → 真缺页。
• 🔴 多套编号口径并存（最高频隐性错误）→ 防呆三件套：头部写页码口径约定 / 每处页号带口径后缀 / 下游一律按 0-based 切。
• 🔴 独立复核是门禁不是礼貌：每个关键结论至少两条独立取证路径，优先采信更靠近原始页面的方法。

通用原则（引用不重复定义）

• 实测前置：S1/S4/S5 三步校验即为验证门；S8 是"验证门本身有没有验对"的元校验——用 OCR 产物互当基准属于未验证。
• 上游产物不校验不进下游：S4 段级校验、S5 缺页检查就是这道门。
• 错误回传四段式：OCR/上传失败按"原因 / 可修正参数 / 可否重试 / 建议"记录。

references 索引