Process scanned or structured PDFs using Docling, OCR validation, and VLM extraction to synthesize them into unified markdown study guides.
Pipeline: PDF → Diagnose → Extract → VLM Vision → Synthesize → Markdown KB
# 1. 放 PDF 進 Inbox（按科目分類）
cp textbook.pdf data/doc-parser/input/01_Inbox/AI_Papers/
# 2. 執行流水線
python3 skills/doc-parser/scripts/run_all.py
# 3. 查看進度
cat data/doc-parser/state/checklist.md
# 4. Review Board（raw vs final 差異比對）
open http://localhost:5001
| Phase | 腳本 | 功能 |
|---|---|---|
| P0a | p00a_diagnostic.py | 輕量診斷（頁數、文字密度、掃描判斷） |
| P1a | p01a_engine.py | Docling 深度提取 → raw_extracted.md |
| P1b | p01b_vector_charts.py | 向量圖表光柵化 (pdftoppm) |
| P1c | p01c_ocr_gate.py | OCR 品質評估（掃描件才觸發） |
| P1d | p01d_vlm_vision.py | VLM 圖像自動描述 |
| P2 | p02_highlight.py | LLM 原文重點標記 (Anti-Tampering) → highlighted.md |
| P3 | p03_synthesis.py | Map-Reduce 知識合成 → content.md |
# 只處理特定科目的 PDF
python3 skills/doc-parser/scripts/run_all.py --subject AI_Papers
# 互動模式（Phase 1d 後暫停，可人工確認圖表）
python3 skills/doc-parser/scripts/run_all.py --interactive
# 互動切換模型
python3 core/cli_config_wizard.py --skill doc-parser
| 路徑 | 說明 |
|---|---|
input/<subject>/ | PDF 入匣，放新文件至此 |
output/01_Processed/<subject>/<id>/ | Docling 原始提取（勿修改） |
output/02_Highlighted/<subject>/<id>/ | 重點標記後的文件 |
output/03_Synthesis/<subject>/<id>/ | 最終知識庫 Markdown |
state/checklist.md | 自動生成的進度追蹤表 |
config/config.yaml — 模型選擇、路徑、OCR 閾值、分塊大小config/priority_terms.json — 跨 skill 術語清單docs/ARCHITECTURE.md