文字排版 (text-typeset)

将任意来源的杂乱文字，整理为格式统一、干净无冗余、语句通顺的标准 Word 文档。

适用场景

• 用户粘贴杂乱文本、聊天记录、零散笔记，要求整理成文档。
• 用户上传 Word(.docx)、PDF、图片（截图/扫描件），要求重新排版为标准文档。
• 用户提交会议录音/记录（如 docx 转写稿），要求梳理内容并整理成会议纪要。
• 用户要求「清理格式」「去冗余」「统一格式」「文字净化」等。

核心原则

1. 只清理、不篡改语义：删除冗余与噪声，修正明显错误，但绝不改写原意、不增删观点、不改变原文语气与专业术语。
2. 格式零混乱：输出文档的字体、行距、段缩进、标题层级全局统一（标准见 references/style-standard.md）。
3. 先确定性清洗，后智能校对：机器规则能稳定处理的（空行、空格、乱码、重复、符号），用脚本 scripts/clean_text.py；需要理解语义的（错别字、语病、语序），由模型在上下文中判断。

工作流程

阶段 0：接收与判定输入类型

• 纯文本（聊天/粘贴）：直接用，跳过 OCR。
• 图片（png/jpg/...）：用 Read 工具以多模态方式读取，逐张提取文字与版面，视作 OCR。多张图逐一读取。
• PDF：用 Read 工具逐页提取文字与视觉内容。
• Word(.docx)：用 scripts/extract_docx.py 抽取纯文本（保留段落结构）；若不可用则改用 Read 工具读取。
• 输出一份「原始提取文本」，命名为 raw.txt，存入当前工作目录。

阶段 1：确定性清洗（脚本）

运行 scripts/clean_text.py，对 raw.txt 做以下处理（顺序固定）：

1. 统一换行符（CRLF/CR → LF），去除 BOM 与零宽字符（\u200b \u200c \u200d \u2060 \ufeff）。
2. 去除控制字符与乱码占位符（\ufffd 及不可见控制字符）。
3. 每行去除首尾空格/制表符/全角空格；行内多个空格/制表符/全角空格折叠为单个半角空格。
4. 删除连续重复的空行（最多保留一个）。
5. 删除连续重复的整行（完全相同的相邻行只留一条）。
6. 句级去重：以 。！？!? 切分，删除相邻重复的整句。
7. 折叠重复标点：。。→。、！！→！、？？→？、，，→， 等。

输出 cleaned.txt。脚本为纯标准库实现，无第三方依赖。

python3 scripts/clean_text.py raw.txt -o cleaned.txt
# 也支持从 stdin 读取：cat raw.txt | python3 scripts/clean_text.py - -o cleaned.txt

阶段 2：智能校对与结构化（模型执行）

读取 cleaned.txt，在上下文中完成：

1. 校对：识别并修正错别字、明显语病、语序错乱。仅改「明显错误」，存疑不改；保留专业术语、人名、地名、缩略语原貌。
2. 结构化：依据内容语义划分章节，用 Markdown 标题标识层级：
   - # 一级标题（章）、## 二级标题（节）、### 三级标题（子节）。
   - 仅用 1–3 级标题，层级连续不跳级。
   - 若原文无明确标题，依据主题归纳 2–4 个合理章节，不要强行编造。
3. 输出：将校对并结构化的结果写为 structured.md（轻量 Markdown：标题行 + 普通段落，每行一段，空行分段）。

> 注意：此阶段产出的是「干净的结构化文本」，格式化排版由阶段 3 的脚本统一接管，模型不要手动设字体/行距。

阶段 3：生成标准化 Word 文档（脚本）

运行 scripts/build_docx.py，把 structured.md 转为格式完全统一的 .docx：

python3 scripts/build_docx.py structured.md -o 排版结果.docx

脚本按 references/style-standard.md 的统一标准应用（默认党政机关公文 GB/T 9704 + 八级中文编号）：大标题 2 号小标宋居中；一级~八级标题全部靠左、缩进 0、加粗（一级黑体 一、二、三 / 二级楷体 （一）（二）/ 三级仿宋 1、2、3 / 四级 （1）/ 五级 ① / 六级 1）/ 七级 a、/ 八级 a）；正文仿宋 3 号、首行缩进 2 字符、行距固定值 29.5 磅、数字字母 Times New Roman，且逐行保留原换行（每行原文=一个独立段落，不跨行合并）。编号由脚本按 Markdown # 层级自动生成并随父级重置，旧编号自动剥离。无需模型再干预格式。

会议纪要（会议录音/记录整理）

当用户提交会议录音转写稿或会议记录，要求整理成纪要时，同时输出两种格式的文件：

• 文件一（普通公文层级版）：用 build_docx.py 按八级中文编号公文排版生成完整详细纪要（大标题居中 + 黑体/楷体/仿宋三级标题 + 仿宋正文）。结构化稿为普通 Markdown（无 frontmatter、不加 --minutes），章节从「一、会议背景与议题」到「六、后续事项」完整展开。
• 文件二（会议纪要模板版）：用 build_minutes_template.py 套用用户提供的表格型会议纪要模板（如 会议纪要_模版_20220921.docx）。输入 md 顶部 frontmatter 用 模板: 字段指定模板 docx 路径，并提供标量字段（时间/地点/主持人/记录人/参会人员/议题）；其后用 ## 会议目的、## 后续要求 两个区块提供多行内容。该版只提取会议要点：会议目的是什么、有哪些结论，不展开详细章节。模板原有的段落格式与字体自动保留。

通用约定：
- 先抽取原文（docx 用 extract_docx.py；图片/PDF 用 Read 多模态 OCR），口语转书面，保留关键数据与结论。
- 跨多份会议文件时，每份独立成稿，文件名带日期/主题便于区分（如 2026-09-11_顾宋面试_公文版.docx / _模板版.docx）。
- 信息缺失处标注「以原始记录为准」，不臆造。详见 references/meeting-minutes-template.md。

阶段 4：交付

• 用 present_files 展示生成的 .docx。
• 附一句话说明：清洗删除了什么、校对修正了哪些明显问题（不逐条罗列，仅概要）。

安全与隐私

本技能全部在本地执行，安全边界明确：

• 仅读取用户明确传入的文件（文本、图片、PDF、docx），不主动扫描或访问工作区外的目录。
• 脚本均为确定性文件处理，仅依赖 Python 标准库与 python-docx，不发起任何网络请求、不调用外部命令、不执行动态下载的代码。
• 输出仅生成 .docx 文档，不写入或删除用户其他文件。
• 不收集、不上传任何用户内容。

依赖

scripts/build_docx.py 与 scripts/extract_docx.py 依赖 python-docx。首次使用先安装：

pip install python-docx

文件清单

• scripts/clean_text.py — 确定性清洗（无依赖）。
• scripts/build_docx.py — 结构化 Markdown → 标准化 docx（八级中文编号公文排版；普通公文层级版用此）。
• scripts/build_minutes_template.py — 基于用户表格型模板，填入会议目的/结论，生成会议纪要模板版。
• scripts/extract_docx.py — docx → 纯文本（可选，输入为 Word 时使用）。
• references/style-standard.md — 统一排版标准（字体/行距/缩进/标题层级/八级编号）。
• references/meeting-minutes-template.md — 会议纪要结构化章节约定（录音/记录→纪要）。