File Summarizer（文件读取与三档结构化摘要）

Overview

把用户提交的文件资料（Word、PDF、Markdown、纯文本、WPS、OFD、图片及扫描件）
读取为全文内容，并一次生成三档摘要：

• 完整版（详摘）：深度研读 / 归档，含论证结构、术语与实体。
• 精简版（速览）：快速研判，结论 + 3–5 条要点 + 关键数据。
• 汇报版（简报）：口头汇报，背景—内容—建议，≤100 字。
• 决策支撑（方案类增列）：除三档摘要外，识别前置卡点、需拍板决策事项、
  数据自洽矛盾，辅助可行性研判与评审决策（详见模板第十二—十四节）。

技能面向方案类文档为主、公文为辅：项目建议书、服务项目建议书、企业发来的
实施方案 / 项目方案、规划方案等是主要读取对象；公文（通知 / 函 / 报告）占比小。
内置纯标准库文本提取脚本（.docx / .doc / .pdf / .ofd / .xlsx 均无需安装），不依赖外部包；
含表 PDF 另提供 convert_pdf_docx.py 一键转 .docx（重建表格结构后可做数字钩稽）；
扫描件与图片借助多模态识别，WPS 借助专用技能，Markdown 可直接 Read 读取，
覆盖上述文档的主要格式（含方案常附的 Excel 预算/测算表）。

When to Use

触发场景（满足其一即调用）：

• 用户给出文件路径 / 上传文件，并出现「总结、概括、提炼、梳理、读一下、
  提取要点、主要内容、核心内容、帮我看看这份材料、出个汇报版、速览」等意图。
• 用户提交项目建议书、服务项目建议书、企业实施方案 / 项目方案、规划方案、
  建设方案、技术方案等方案类文档，需要快速掌握要点、评估可行性或汇报。
• 用户提交政策文件、报告、会议纪要、招商材料、法规文本等（占比较小），需要要点或汇报。
• 用户一次性提交多份材料，需要逐份摘要、横向对比，或形成汇报口径。

不触发：纯格式排版、翻译、改写润色（交给对应技能）；用户只是聊天无文件。

Workflow

Step 0 — 识别文件类型

按扩展名（或内容）判断路由，见下表。找不到扩展名时先用 Read 工具探查前几行。

Step 1 — 读取 / 提取内容

1. 纯文本类（.txt/.md/.csv）：直接用 Read 工具读取全文。
2. .xlsx / .xls：运行提取脚本（使用受管 Python）：
   python ^ <skill>/scripts/extract_xlsx.py "<文件>" [<输出.txt>]
   输出按工作表分块、单元格以制表符分隔，可直接用于摘要；数字与中文均保留。
3. .docx：运行提取脚本（使用受管 Python）：
   python ^ <skill>/scripts/extract_docx.py "<文件>" [<输出.txt>]
   若不指定输出，文本打印到 stdout，可直接用于后续摘要。
   图片警告（P2）：extract_docx.py 会检测内嵌图片数量与字节占比，若图片较多
   会向 stderr 输出警告（关键图件如截图/图表可能未提取），摘要时应留意，必要时
   引导用户另存为 PDF 后用 Read 多模态识别。
4. .doc（旧版 Word）：运行 scripts/extract_doc.py（受管 Python）。
   该脚本优先调用系统 LibreOffice(soffice) 转 .docx 后复用第 3 条脚本；
   若未安装 LibreOffice，则退化为二进制尽力提取，并在输出首行标注
   「精度有限，建议另存为 .docx 后重读」。读到的文本可能含少量噪声。
5. .ofd：运行 extract_ofd.py，用法同第 3 条。
6. .pdf：按类型分两路。
   - 文本型（有文本层）：运行 extract_pdf.py（受管 Python，纯标准库），
   经 zlib 解压内容流 + 按字体 ToUnicode CMap 还原中文与数字，并按文本坐标
   （Tm/Td/TD/T*）将文本重排为「上→下、左→右」阅读顺序（改善版式错乱）：
   python ^ <skill>/scripts/extract_pdf.py "<文件>" [<输出.txt>] [--json] [--raw]
   读取 stderr 质量信号并自动路由（P1，关键）：脚本运行后向 stderr 输出
   一行质量评估 PDF 提取质量：quality=... | valid_chars=... | garble_ratio=... | fonts=... | 建议...，加 --json 输出完整 JSON 元数据。据此判定：
   • quality=image（大文件但有效字符 <200，疑似图片/扫描型）→ 不要依赖
     文本，立即切换到下方「图片/扫描型」分支用 Read 逐页多模态识别。
   • quality=messy（乱码率 >15% 或有效字符偏少）→ 文本可用但版式错乱，
     仍生成摘要但须在摘要显著位置标注「PDF 提取版式错乱，建议转 docx/xlsx 精校」，
     含表格/数字钩稽时优先引导转格式。
   • quality=clean → 文本质量良好，直接进入摘要。
     能力边界：能还原文字与数字，但 PDF 文本层固有局限仍在——① 仅文本层，
     扫描件无效（已由 image 检测拦截）；② 表格版式/单元格边界与部分字体编码仍可能
     错乱。现 extract_pdf.py 已能按坐标重建「STRUCTURED ROWS」区块（制表符分隔的
     多列行），含表文本型 PDF 可部分被 reconcile.py 钩稽（小计行求和等三类校验
     已支持制表符表格）；但表头/合并单元格/跨页断行仍可能丢失。
     含表 PDF「一键转 docx」（P0，消除最大折损点）：当 PDF 含投资测算表 / 预算表 /
     指标表等需数字钩稽的表格时，不要停留在文本层，直接运行转换脚本重建表格结构：
     python ^ <skill>/scripts/convert_pdf_docx.py "<文件.pdf>" [<输出.docx>]
     脚本优先调用系统 LibreOffice(soffice)（保真度最高），未安装时自动回退
     PyMuPDF+python-docx 按坐标重建多行表格（同一表格聚合为一个 w:tbl）。
     转换后再跑 extract_docx.py（已支持 w:tbl → Markdown 表格行输出）→
     reconcile.py，即可完成「合计=明细」等机械钩稽。
     纯叙述无表 PDF 可直接提取，但摘要须标注「PDF 提取版式可能错乱」。
   • 图片 / 扫描型（纯图片型文件全流程）：先分页栅格化再逐页读取——
     1) 运行 rasterize_pdf.py（受管 Python，需 PyMuPDF）将 PDF/大图分为
     <240KB 的 page_XX.jpg：
     python ^ <skill>/scripts/rasterize_pdf.py "<文件>" [<输出目录>]
     脚本把每张图路径打印到 stdout；若报缺 PyMuPDF，按提示
     <venv>/Scripts/python.exe -m pip install PyMuPDF 安装一次即可（仅此一处依赖）。
     2) 对每张 page_XX.jpg 用 Read 工具多模态读取；多页依次读取后综合。
     3) 识别质量低时按 Step 1 第 11 条标注「识别质量低，建议提供清晰版/重扫」。
     4) 含表图片 / 扫描件的数字钩稽（P0，补齐格式盲区）：若图片中的投资测算
     / 预算 / 指标表需要数字钩稽，在第 2 步多模态识别后，将表格手动/模型整理为
     标准 Markdown 表格（| 表头 | ... | 每行一表行）写入临时 .md，再用
     reconcile.py（或 batch_extract.py --reconcile）跑机械钩稽——至此图片型
     PDF 的表格数字也可被「合计=明细」等规则覆盖，不再因格式而漏检。效果取决于
     多模态识别准确度，表格结构混乱时须在摘要标注「图片表格钩稽依赖 OCR，可能漏检」。
     注：图片型 PDF 无文本层，extract_pdf.py 会输出 quality=image，此时不要依赖
     文本，直接走本分支即可（含表情形按第 4 步经多模态整理后钩稽）。
7. .wps：调用 wps-doc-extract 技能（加载后按其流程解析）。
8. 图片 / 扫描件：用 Read 工具多模态读取，识别图中文字与版面。
9. 长文目录骨架优先读取：文件超约 30 页或约 1 万字（规划类常以章节多、
   篇幅大），先抽取「章节标题树 / 目录骨架」建立结构索引，再分层读取各章内容并综合；
   八维要点与溯源位置锚定到章节标题（如「第七章 投入与杠杆」），不依赖行号，
   避免分块后位置漂移、漏段。必要时先写中间文本文件再汇总。
10. 噪声清洗：剔除页眉页脚、目录、水印、乱码等干扰正文的内容。
11. 提取质量判定与升级（防硬编）：提取完成后，先判定质量再进入摘要：
    • PDF 文本型：以 extract_pdf.py 的 stderr 质量信号为准（见 Step 1 第 6 条），
      image 直接转 Read 多模态；messy 标注后生成；clean 进摘要。无需再手工数
      字符。
    • docx/doc/ofd/xlsx 脚本提取：可运行 scripts/check_extract_quality.py
      （受管 Python）做统一门禁，输出 JSON 裁决 verdict=pass/warn/fail：
      fail（有效字符 <200）即判定「提取失败」，不强行生成摘要；warn（乱码率
      >15% 或字符偏少）须在摘要标注质量风险。引导用户① 另存为 .docx 后重读（最稳），
      或② 调用 wps-doc-extract 技能（针对 .wps/.et 等私有格式），或③ 提供清晰版 /
      重扫后重试。
    • Read 多模态（pdf/图片/扫描件）：若识别出有效文字过少（疑似多页却
      < 50 字）或明显与版面不符，判定为「识别质量低」，在摘要显著位置标注，
      不强行产出完整要点（见 Step 3 读图自检与质量信号）。
    • 任何情况下都不得用模型「想象」内容填补提取缺口；缺口一律标「待核实」或「未能提取」。
      （extract_docx.py 的图片警告亦在此环节一并留意，见 Step 1 第 3 条。）

> 运行环境：本技能脚本以 Python 3 运行。下文以 python 指代实际解释器
> （WorkBuddy 受管 Python 或任意可用 Python 3），以 <skill>/scripts/ 指代技能脚本目录。
> 标准库脚本（extract_docx / extract_doc / extract_ofd / extract_xlsx / extract_pdf /
> reconcile / batch_extract / check_extract_quality / make_docx）无需安装即可运行；
> convert_pdf_docx.py 与 rasterize_pdf.py 需已安装 PyMuPDF（及 python-docx）的
> Python 环境。

Step 2 — 内容理解层抽取（含类型适配）

在生成摘要前，按 references/summary-template.md 做一轮结构化理解抽取：

• 内容理解层：还原「总论点 → 分论点 → 论据」论证结构；标注作者立场
  （主张 / 客观陈述 / 建议 / 批评 + 倾向强度）；抽取核心术语表与涉及的
  机构 / 人物 / 地名 / 政策文件实体。
• 类型适配：判断文档是否为方案 / 建议书类（项目建议书、服务建议书、
  实施方案、规划方案等）。若是，进一步区分两类子文档，核心要点分别按不同
  八维口径组织（详见模板第二节 A1 / A2）：
• 项目建议书 / 实施方案类（A1，标准八维）：背景目标 → 建设内容 →
  投资估算 → 实施周期 → 预期效益 → 组织保障 → 风险应对 → 待确认。
• 规划类（A2，八维变体）：产业 / 区域 / 专项规划，多年度演进、强调战略
  布局与杠杆。八维变体为——战略定位与目标、产业布局 / 行动框架、投入与杠杆、
  演进路线 / 阶段、产业集群效益、工作机制 / 专班、风险与应对、待确认（含需拍板议题）。
  规划类常以章节多、篇幅大，读取时按 Step 1 第 9 条「目录骨架优先」，
  八维要点位置锚定章节标题。
  公文类仍走通用结构，不强行套用方案维度。八维抽完后，对方案类做可行性研判
  （总体研判结论 + 风险优先级表，见模板第二节 C），避免只罗列不判断。
• 用户自定义优先维度（可选）：若用户在请求中明确「重点看 X / 只关心投资与周期 /
  忽略风险」等，则在八维中优先展开指定维度、压缩其余；未指定时八维均衡呈现。
• 决策支撑抽取（方案类增列）：在八维与研判基础上，额外识别三类决策要素，
  供评审使用（详见模板第十二—十四节）：
• 前置卡点：不满足则方案不成立的硬性门槛（如用地审批、资金审批），
  标当前状态与阻塞等级（高 / 中 / 低）。
• 决策事项：需领导 / 会议拍板的开放性议题（互斥路径、股权上限、授权事项），
  列选项、影响与建议默认倾向。
• 数据钩稽校验：对互相引用的数字做合计 = 明细、倍数 / 比例、跨章一致性验算，
  主动标「矛盾（待核实）」，而非仅被动等待。优先运行 scripts/reconcile.py
  对提取全文做机械钩稽（详见 Resources；零依赖，受管 Python 运行），脚本覆盖五类：
  小计行≠明细和、风险加权值≠公式、合并标签组表头≠各项和、百分比列合计≠100%、
  跨表数值可勾稽（一致提示）。reconcile.py --out <报告.md> 可同时产出独立钩稽报告
  附件；多份材料批量预处理可用 batch_extract.py --reconcile --report。候选清单经人工
  确认后写入摘要，避免每次依赖模型自觉而漏算；脚本未覆盖的跨章文字表述矛盾仍由模型主动发现。

Step 3 — 生成三档摘要

严格按 references/summary-template.md 的结构与风格，同次产出三档：

1. 完整版（详摘）：文件概况 → 一句话结论 → 核心要点（分层编号 +
   原文位置）→ 论证结构与立场 → 关键数据/政策引用（表）→ 术语与实体 →
   待关注/存疑事项 → 可行性研判（总体研判 + 风险优先级表） →
   前置条件 / 关键卡点（方案类增列） → 决策事项清单（方案类增列） →
   建议动作（可选）。篇幅 400–600 字。
   - 快捷模式（按需）：用户请求含「速览 / 只要要点 / 简版 / 别太细」等时，
   完整版跳过「论证结构与立场」「术语与实体」两节，其余模块照常，
   以缩短篇幅、突出结论与要点；该开关不影响精简版 / 汇报版。
2. 精简版（速览）：一句话结论 + 核心要点 3–5 条（≤30 字/条，附位置）+
   关键数据 1–3 项 + 研判一句话（方案类可选）。篇幅 150–250 字。
3. 汇报版（简报）：背景—内容—建议三段（或 3 条要点），≤100 字，可直接宣读；
   方案类建议可含研判倾向（如「建议推进评审」/「暂缓，待补材料」）。

> 方案 / 建议书类文档：完整版核心要点优先按模板第二节的八维框架排列——
> 项目建议书 / 实施方案类用 A1 标准八维，规划类用 A2 八维变体（战略定位、
> 产业布局、投入与杠杆、演进路线、产业集群效益、工作机制 / 专班等）；
> 公文类按通用结构，不强行套用方案维度。

通用要求：
- 结论先行，先总后分；三档内容一致、互不矛盾。
- 每条要点附「来源位置」：方案类优先用「第 X 章 / 第 X 节 / 第 X 段 / 表 X」
（多无页码）；PDF / 扫描件可用「第 X 页」。不编造位置。
- 量化信息、法规、政策引用必标名称与位置；无法确认标注「待核实」，不得编造。
- 识别质量自检（图片 / 扫描件）：若识别出有效文字过少（如疑似多页却 <50 字）、
或读图自检发现与版面明显不符，判定为「识别质量低」，在摘要显著位置标注
「识别质量低，建议提供清晰版 / 重扫」，不强行产出完整要点。
- 读图自检：图片 / 扫描件识别出的文字、数据，须回看原图复核；与原文不一致
或存疑者标「待核实」，不得直接采信。
- 识别质量与覆盖度信号（全格式）：无论图片或纯文本，摘要开头均标注一行
「识别质量：覆盖第 X–Y 章 / 共 N 章，疑似缺失：Z（或"无"）」。纯文本 / 结构化文档
依据实际读取到的章节标题判定覆盖度；若文档被分块读取，须确认各块均已覆盖、无漏段，
否则在信号中明示「部分章节未读」。此举便于用户判断摘要完整性，避免静默漏读。

Step 4 — 多文件、关联与落盘

• 多份材料：先给横向对比概览（主题/结论/差异），再逐份出三档摘要。
• 多方案比选：用户提交 ≥2 份方案时，按模板第十一节产出比选表（八维 + 综合研判），
  列初步优劣判断，供决策参考。
• 待评审问题清单：方案类存在待确认/存疑事项时，按模板第十节单独产出，
  用于向企业质询（序号 | 问题 | 涉及维度 | 位置 | 建议补充）。
• 决策事项清单：方案含需拍板议题时，按模板第十二节单独产出
  （选项 | 影响 | 建议），供内部会议决策；与待评审清单区分（后者问企业，前者内部拍板）。
• 前置条件 / 关键卡点：方案存在硬性门槛时，按模板第十三节单独产出，
  高等级卡点须作为「能否推进」首要约束提示。
• 数据钩稽校验：方案含互相引用数字时，先运行 scripts/reconcile.py（受管 Python）
  得候选矛盾清单（小计求和 / 风险加权 / 合并标签组 / 百分比合计 / 跨表一致 五类），
  再人工复核确认，按模板第十四节写入「矛盾（待核实）」；多份材料可先用
  batch_extract.py --reconcile --report 批量预处理并汇总钩稽报告。reconcile.py --out
  可把报告独立落盘为评审附件。脚本未覆盖的跨章文字表述矛盾，仍由模型主动发现。
• 关联（可选）：文章引用法规 / 政策时，可经北大法宝（已连接）核对效力与
  版本；需要交叉印证时，可经 IMA 知识库（已连接）比对用户既有资料。
• 下游动作（可选）：可接续「转公文 / 转汇报 / 提取待办 / 生成思维导图」等技能；
  需把三档摘要导出为正式 .docx 时，用 scripts/make_docx.py 将 Markdown 摘要
  转为 .docx（标准库；支持标题 / 列表 / 表格），输出到 <输出目录>\。
• 落盘：用户要求保存时，写到 <输出目录>\，文件名
  摘要_<原文件名>_<YYYYMMDD>.md；三档合并于一文件，用分隔标题区分。

Resources

scripts/

• extract_docx.py — 从 .docx 提取纯文本（标准库 zip+xml，无需安装）。按 body 顺序遍历段落与表格：w:p 输出段落文本，w:tbl 逐行输出 Markdown 表格行（| 单元格 | 单元格 |），供 reconcile.py 直接钩稽。额外检测内嵌图片数量与字节占比，图片较多时向 stderr 输出警告（关键图件可能未提取）。
• extract_doc.py — 从 .doc（旧版 Word）提取文本（标准库；优先 LibreOffice 转 docx，否则二进制尽力提取）。
• extract_ofd.py — 从 .ofd（GB/T 33190）提取文本（标准库，扫描全部 TextCode）。
• extract_xlsx.py — 从 .xlsx/.xls 提取工作表文本（标准库 zip+xml，解析共享字符串与数值，无需安装）。
• extract_pdf.py — 从文本型 PDF 提取中文与数字（标准库；zlib 解压内容流 + 按字体 ToUnicode CMap 还原 + CMap 层部首字符归一化 + 按坐标重排阅读顺序 + 按坐标重建 STRUCTURED ROWS 表格行）。向 stderr 输出质量信号（quality=clean/messy/image、乱码率、孤立汉字比；--json 输出完整 JSON，--raw 回退流序），供自动路由：image→rasterize+Read 多模态、messy→标注转 docx 精校、孤立汉字比过高→降级 messy（堵住错映射字形盲区）。含表格或需数字钩稽的 PDF 仍建议转 .docx/.xlsx。
• convert_pdf_docx.py — 含表 PDF「一键转 docx」（消除表格折损最大点）。优先调用系统 LibreOffice(soffice) 转换（保真最高，自动探测 PATH 与 C:\Program Files\LibreOffice\program\soffice.exe）；未安装时回退 PyMuPDF+python-docx：按 span 坐标聚行、按 x 间距分列、相邻表格行聚合为单个多行 w:tbl，并做三项后处理——① 部首字符归一化（康熙部首/部首补充 → 标准汉字）；② 单元格碎片合并（2000|万|辆→2000万辆、新增|2.5|亿→新增2.5亿、A|+|B→A+B）；③ 跨页续表拼接（相邻页同列布局的表格行自动并入同一 w:tbl，解决多页表格被割裂、reconcile 无法跨页钩稽）。转换后接 extract_docx.py（输出 Markdown 表格行）→ reconcile.py 完成「合计=明细」钩稽。回退分支需受管 venv（已装 fitz / python-docx）：python。
• rasterize_pdf.py — 图片型/扫描型 PDF 与超大图片分页栅格化（需 PyMuPDF，本技能唯一第三方依赖；纯标准库无法完成渲染）。将 PDF 每页 / 大图整体下采样为 <240KB 的 JPEG 到指定目录，供 Read 逐页读取，打通「纯图片型文件」从输入到摘要的端到端流程。当前解释器缺 fitz 时自动改用已安装 fitz 的受管 venv 重执行；都没有则打印安装提示。
• check_extract_quality.py — 提取质量统一门禁（标准库）。对任意提取文本输出 JSON 裁决 verdict=pass/warn/fail（有效字符 / 乱码率阈值），脚本化 Step1.11 规则，避免模型主观漏判。
• make_docx.py — 将 Markdown 摘要转为 .docx 正式版式（标准库；标题 / 列表 / 表格）。
• batch_extract.py — 批量提取与钩稽入口（标准库；调用各提取脚本 + reconcile）。对目录或单个文件按扩展名分发提取，统一输出 .txt 到 --outdir，可选 --reconcile 汇总各文件钩稽结果并生成 batch_manifest.json 与 --report 独立钩稽报告。多文件批量预处理用：
  python <skill>/scripts/batch_extract.py "<目录>" --outdir <DIR> --reconcile --report <报告.md>
• reconcile.py — 数据钩稽自洽校验（标准库，零依赖）。对提取全文做五类机械验算：
  ① 小计/合计行 = 其明细行之和（中文与英文 total/subtotal/overall 标签均可识别）；
  ② 风险概率加权值 = P(A)×期望值 + P(B)×保守值；③ 合并标签组"表头值 ≠ 各子项之和"
  且合计值在他处同实体表出现；④ 百分比列合计 ≠ 100%（列标题含 占比/比例/份额/比重/
  百分比 时校验）；⑤ 跨表数值勾稽（正向一致性提示：某表合计≈另一表某列分项之和、同单位、
  语义相关则提示"可勾稽一致"，供评审交叉验证；仅报一致不报矛盾，避免误报）。
  支持 Markdown 表格（| 分隔）与制表符表格；金额解析兼容带单位（亿元/万元/元）与纯数字；
  容差为相对 0.5%（下限 1 元），小额矛盾同样可捕获。输出带置信度（HIGH/MED）的待核实候选
  清单；--out <文件> 可同时把人类可读报告写入独立文件（钩稽报告附件）。运行：
  python <skill>/scripts/reconcile.py "<提取文本文件>" [--json] [--out <报告.md>]。

references/

• summary-template.md — 三档摘要的输出结构、内容理解层、决策支撑（前置卡点 /
  决策事项 / 数据钩稽）、比选与质量自检规范，Step 2/3 必读。

Notes / Limitations

• .doc（Word 97–2003）：由 extract_doc.py 处理——优先 LibreOffice 转 docx（精度高），
  无 LibreOffice 时二进制尽力提取（精度有限，输出首行已标注），建议另存为 .docx 后重读。
• .xlsx 提取覆盖共享字符串、数值、多工作表；合并单元格、公式仅取缓存值，
  公式本身不展开计算；复杂样式（颜色、字体）被忽略，仅取文本与数字。
• 扫描件 / 图片的文字识别依赖多模态读取，手写体、模糊、倾斜严重的版面
  识别率会下降，须按「读图自检」要求标「待核实」。
• 文本型 PDF：由 extract_pdf.py 提取（标准库，无需安装）；zlib 解压内容流 +
  按字体分别解析 ToUnicode CMap 还原中文与数字（阿拉伯数字直接按字节还原以规避
  部分字体 ToUnicode 错映射），并按文本坐标（Tm/Td/TD/T*）重排阅读顺序以改善
  版式错乱，文末另追加「STRUCTURED ROWS」区块（按坐标重建的多列表格行，制表符分隔）。
  脚本向 stderr 输出质量信号（quality=clean/messy/image、乱码率、孤立汉字比），
  自动路由：image→rasterize_pdf.py 分页 + Read 多模态；messy（乱码率>15% 或
  孤立汉字比>0.6，堵住错映射字形盲区）→标注转 docx 精校；clean→直接摘要。
  能力边界：① 仅文本层，扫描件由 image 检测拦截后转多模态；② 表格版式/单元格边界
  与部分字体编码仍可能错乱，但含表 PDF 现可经 STRUCTURED ROWS 被 reconcile.py
  部分钩稽（小计行求和等）；关键投资测算表以 convert_pdf_docx.py 转 .docx 为准。
• 部首字符陷阱（已修复，P1）：部分 PDF 的 ToUnicode 把常用汉字映射到「康熙部首」
  （U+2F00–U+2FDF）或「CJK 部首补充」（U+2E80–U+2EFF），字形几乎相同但码位不同，
  会静默导致关键词匹配（合计/小计/总投资）与单位识别失效、reconcile.py 漏检。
  extract_pdf.py（CMap 层）与 convert_pdf_docx.py（span 层）均已统一归一化；
  实测某真实方案 PDF 部首字符 597 → 0。若自行接入其他提取路径，须同样处理。
• 含表 PDF → docx 转换（convert_pdf_docx.py）能力边界：
• LibreOffice(soffice) 分支未启用（环境限制）：本机未安装 LibreOffice 且无
  winget/choco/scoop 包管理器，无法一键安装；如此分支可用，表格保真度最高、上述
  回退局限基本归零。后续若装好 soffice，脚本已自动探测生效，无需改代码。
• 回退分支（PyMuPDF+python-docx）已增强：① 跨页续表自动拼接为同一 w:tbl
  （解决多页表格割裂、reconcile 无法跨页钩稽）；② 部首字符归一化、单元格碎片合并。
  已验证可正确还原「合计行 + 多行明细」规则表格并被 reconcile.py 捕获矛盾
  （合计=9 ≠ 3+2=5，含跨页场景）。但 ③ 合并单元格、无边框松散排版仍可能分列不准
  （列间距阈值 28pt 为经验值）；④ 页眉页脚、图注可能被误并入表；⑤ 结果仍属「机器重建」，
  关键数字须回原文核对。回退分支依赖 fitz + python-docx，须用受管 venv 执行；
  stdlib 提取脚本不受影响。
• 图片 / 扫描型 PDF 含表钩稽（P0-2）：纯图片型 PDF 本无文本层，表格数字须经
  rasterize_pdf.py + Read 多模态识别；含表需钩稽时，将多模态整理的 Markdown 表格
  落盘后接 reconcile.py / batch_extract.py --reconcile 即可覆盖「合计=明细」等规则，
  补齐最后格式盲区。效果取决于多模态识别准确度，结构混乱时须在摘要标注「图片表格钩稽
  依赖 OCR，可能漏检」。
• 图片/扫描型 PDF 与超大图片：由 rasterize_pdf.py 分页栅格化为 <240KB 的 JPEG
  后，逐页用 Read 多模态读取（见 Step 1 第 6 条图片分支）。rasterize_pdf.py 是
  本技能唯一依赖 PyMuPDF 的脚本（渲染问题纯标准库无法替代）；已安装则自动使用，
  未安装脚本会给出一次性 pip install PyMuPDF 提示。其余提取脚本保持零依赖。
• .docx：由 extract_docx.py 提取（标准库 zip+xml）。脚本会检测内嵌图片并向
  stderr 警告关键图件可能未提取；若文档图片较多且图含重要信息，引导用户另存为
  PDF 后用 Read 多模态识别，避免静默漏读。
• OFD 提取按 TextCode 顺序收集，复杂版式（跨页、文本框叠加）的视觉顺序
  可能略有偏差，足以支撑摘要，但不保证逐字精确排版。
• 长文须分块读取后综合，否则存在截断漏段风险；超长表格、图中图表仅作文字带过，
  未被抽取为结构化数据。
• 数据钩稽校验为"脚本机械校验 + 人工确认"双轨：reconcile.py 覆盖小计行求和、
  风险加权公式、合并标签组跨表佐证三类；其余跨章文字表述矛盾、图表内数字仍由模型
  主动发现。脚本输出均为「待核实」候选，非最终结论；数字以图表呈现或 OCR 误差时
  可能漏检，须结合「读图自检」综合判断。