万工-规范速查（规范库 → 可查证 Skill）

把一堆 PDF 变成 agent 能精确引用的资产，而不是塞进 prompt 的摘要。

第一性原理

法规/标准类内容的价值密度不在"讲了什么"，而在"哪本第几页讲了什么，原文怎么写的"。

判断标准：内容里的数字/措辞如果错了会有实际后果（法律责任、工程事故、合规驳回），就走"可查证"路线，不抄内容。

流程

第 0 步：语料体检（必做，别跳）

import pymupdf, os
for fn in pdfs:
    doc = pymupdf.open(path)
    n = doc.page_count
    # 抽样前 12 页判断文字层
    chars = sum(len((doc.load_page(i).get_text("text") or "").strip())
                for i in range(min(12, n)))
    has_text = chars / min(12, n) > 80
    toc = doc.get_toc()          # PDF 书签，最准

输出一张表：文件名 / 页数 / 体积 / 是否有文字层 / 是否有书签。

决策点：
- 有书签 → 直接用，页码精确
- 有文字层 → 可直抽全文，毫秒级
- 纯扫描 → 必须先确认有无 OCR 能力。没有就装：
python -m venv <venv>; <venv>/Scripts/pip install rapidocr-onnxruntime pymupdf
约 4 秒/页，中文识别质量够用。

时间预算：OCR 一页 4 秒 × 每本 10~16 页（只做目次+总则）× 扫描件本数。55 本规模约 25 分钟，放后台跑。

第 1 步：按坐标重建目次（关键技术）

中文国标目次的编号、标题、页码被排在不同行，用单行正则解析失效率约 80%：

1
总则…………………………………………………( 1 )
2
基本规定
…………………………………………………( 3 )

解法：按 y 坐标聚类成行，行内按 x 排序。

def rows_from_boxes(boxes, tol=6):
    """boxes: [(x0, y_center, text)]"""
    boxes = sorted(boxes, key=lambda b: b[1])
    rows, cur, cy = [], [], None
    for b in boxes:
        if cy is None or abs(b[1] - cy) <= tol:
            cur.append(b); cy = sum(x[1] for x in cur) / len(cur)
        else:
            rows.append(sorted(cur, key=lambda x: x[0])); cur, cy = [b], b[1]
    if cur: rows.append(sorted(cur, key=lambda x: x[0]))
    return rows

• 文字层：page.get_text("dict") 取 span 的 bbox
• 扫描件：OCR 返回 (box, text, score)，取 box 的 x_min 与 y 均值

解析率可从 8% 提到 82%。

再对每行：行尾最后一个数字 token 是页码（注意全角数字 ０１２３ 要先转半角），前面拼起来是标题。

第 2 步：印刷页码 → PDF 页码

目次里的页码是印刷页码，PDF 打开看到的不是同一个数。必须校准：

# 严格正则，防止 "11.0.10" 被误判为 "1.0.1"
pat = re.compile(r"(?<![\d\.．])1\s*[.．]\s*0\s*[.．]\s*1(?![\d])")
# 从目次最后一页往后探 10 页，找正文 1.0.1 出现的 PDF 页
offset = body_start - 1          # 印刷页 1 = 正文起始
pdf_page = printed_page + offset

三个坑：
1. 目次后面可能还有英文目次 / Contents，所以不能简单用 max(目次页)+1，要往后探。
2. 正则不加前后断言会把「11.0.10」当成「1.0.1」，offset 直接错十几页。
3. 验收方法：抽 3-5 个章节页码，OCR/抽原文核对。残余 1-2 页漂移可接受，作为路由锚点够用（取证时连取前后各一页）。

第 3 步：主题词层（决定好不好用）

用户查的是「钢结构防火涂料」「消防电梯前室」，目录里可能根本没有这个连续字符串。必须加一层主题词：

"topics": "钢结构 防火保护 耐火极限 防火涂料 厚型 薄型 等效热阻 截面系数"

匹配时按 token 匹配并统计命中数，不要拼成整串做子串匹配（norm() 吃掉空格后「消防电梯 前室」会变成「消防电梯前室」，反而匹配不上）。

再给最核心的 1-2 本加 hints：主题 → 精确页码，路由时能直接给锚点。

第 4 步：取证脚本

一个 verify.py，五个子命令足够：

要点：
- OCR 结果必须持久化缓存（ocr_cache.json），否则每次重复烧时间
- 缓存 key 用 文件名 + PDF页码
- 输出必须带 源：文件名 第 X-Y 页，方便上层拼引用块

第 5 步：SKILL.md 里写死红线

## 第一性原理：不背条文
1. 路由：问题 → 哪本规范哪一页
2. 取证：跑脚本抽原文
3. 引用：规范号 + 条文号 + PDF页码 + 原文

任何一次给出具体数值之前，必须已经跑过取证。

还要写：效力层级与冲突规则、能力边界声明、输出引用格式。

第 6 步：压力测试

至少包含：诱饵题（诱导凭记忆作答）、超出范围题、高频混淆题、边界题。

交付清单

<skill>/
├── SKILL.md                 机制 + 层级 + 工作流 + 取证操作 + 边界
├── test-prompts.json        压力测试
├── references/
│   ├── _index.json          机器可读索引（路径/页码/目录/主题词/锚点）
│   ├── 01-路由表.md          人可读的全表
│   └── 02-xx.md             按主题分册
└── scripts/
    ├── verify.py
    └── .cache/              OCR 缓存 + 文字层全文

踩过的坑（清单）

章-页编号 → PDF 页

图集常用「章-页」（3-31）而非连续页码，目录解析出来无法直接跳转。做法：

1. 裁页面右下角（x 55%~100%、y 84%~100%）OCR，读出该页的章-页编号
2. 每 4 页采样一点，转成 章*1000+页 的排序键，过滤成单调序列
3. 目录里的每个标签，在单调序列上插值定位 PDF 页

采样 + 插值即可把"估算页"变成精确页；276 页的图集约 70 次 OCR（2 分钟）。

分卷 PDF

大部头常被切成 _1-150.pdf、_151-234.pdf。做法：

# 建索引时
parts = [{"rel": rel, "offset": 累计页数, "pages": n}, ...]   # 全局连续编号

# 取证时
def part_of(code, pno):
    for p in code["parts"]:
        if p["offset"] < pno <= p["offset"] + p["pages"]:
            return p["rel"], pno - p["offset"]

用户看到的是连续页码，脚本内部定位到具体分卷。输出里顺带打印分卷构成，方便人工核对。

去重：同一文档可能同时存在原版、压缩版、单文件版。先按标题归一化比对，只保留一份（优先有文字层/体积适中的）。

适用信号

该用：国家标准/行业规范汇编 · 法规条例合集 · 企业内部技术标准 · 产品手册库 · 图集 · 任何"数字错了要出事"的参考资料

不该用：单本书的方法论（用 aidu-distill）· 小说散文 · 需要逐字精读的短文档 · 内容本身没有引用价值