中国专利 PDF / DOCX 转 Markdown

将中国专利 PDF 或 DOCX/DOC 文件转为结构化 Markdown 文件。支持两类文档：

1. 专利公开/公告文件：包含著录项目、摘要、权利要求书、说明书（含子章节）和说明书附图
2. 审查文件：审查意见通知书、驳回决定、复审决定书、无效宣告请求审查决定书，包含著录项目、审查意见/决定理由等

程序会自动检测文档类型并选择对应的解析流程，无需手动指定。

一、支持的输入格式

> 注意：DOCX/DOC 格式不支持附图提取（无 PDF 页面渲染），其余流程与 PDF 一致。

.doc 文件转换策略

处理 .doc 文件时，程序自动检测系统中已安装的办公软件并执行格式转换，检测优先级：

若未检测到任何办公软件，程序会提示安装或建议手动将 .doc 另存为 .docx。

二、路径变量

> 所有路径必须使用绝对路径，使用 / 作为路径分隔符以确保跨平台兼容性。

三、Agent 工作流程

3.1 文件类型识别

检查输入文件扩展名是否为 .pdf、.docx 或 .doc（不区分大小写）。如果不是，告知用户仅支持这三种格式后终止。

3.2 创建工作目录

执行命令获取真实本地时间戳：

python -c "from datetime import datetime; print(datetime.now().astimezone().strftime('%Y%m%d_%H%M%S'))"

将输出记录为 ，定义 = /patent-pdf-to-md_，创建工作目录：mkdir ""。

3.3 执行文件类型检测与处理

运行提取命令，程序会自动检测文档类型并选择对应的解析流程：

cd "<skill_root>/scripts" && python -m patent_extractor.main \
  --input "<input_file>" \
  --output "<work_dir>" \
  [--ocr-engine auto|mineru|tesseract] \
  [--verbose] [--dpi 200]

程序内部自动执行以下检测与分流：

1. 文本提取：根据输入格式选择 PDFReader 或 DocxReader
2. 文档类型检测：从提取文本的前 3000 字符自动判断
• 检测为审查文件 → 加载 office-action-workflow.md 对应流程
• 检测为专利公开/公告文件 → 加载 patent-publication-workflow.md 对应流程

3.4 多文件并行处理

当用户需要同时处理多个文件时，自动调用 SubAgent 模块实现并行处理：

• 每个文件分配一个独立的 SubAgent
• 所有 SubAgent 在同一条消息中并行启动
• 每个 SubAgent 使用独立的工作目录：//
• 某个 SubAgent 失败不影响其他 SubAgent 的执行

SubAgent 提示词模板：

你是一个专业的中国专利文档转换助手。请执行以下转换任务：
1. 读取处理流程：读取 "<skill_root>/reference/patent-publication-workflow.md" 或 "<skill_root>/reference/office-action-workflow.md" 的完整内容
2. 按照处理流程的指令执行文档转换
3. 路径变量：skill_root=<skill_root>, input_file=<input_file>, work_dir=<work_dir>
4. ⛔⛔⛔ 禁止向用户提问、禁止要求用户提供任何信息、禁止因任何原因暂停处理流程

3.5 故障处理

系统运行过程中若发生故障，立即加载 fault-handling.md，执行相应的错误恢复流程。

常见故障快速参考：

四、OCR 引擎选择

默认 --ocr-engine auto：pdfplumber → fitz → MinerU flash-extract → Tesseract 逐级降级。

# 强制使用 MinerU（推荐，质量最高）
cd "<skill_root>/scripts" && python -m patent_extractor.main -i "<input_file>" -o "<work_dir>" --ocr-engine mineru

# 强制使用 Tesseract（离线场景）
cd "<skill_root>/scripts" && python -m patent_extractor.main -i "<input_file>" -o "<work_dir>" --ocr-engine tesseract

# 自动降级（默认）
cd "<skill_root>/scripts" && python -m patent_extractor.main -i "<input_file>" -o "<work_dir>" --ocr-engine auto

其他参数

五、输出文件

六、最终输出

> 替换为当前会话所使用的大模型名称。

单文件处理：

专利文档转换完成

输入文件：xxx.pdf
文档类型：实用新型公告（专利公开/公告文件）
输出目录：<final_dir>

【输出文件】
- JSON：<final_dir>/<base_name>.json
- Markdown：<final_dir>/<base_name>.md
- 原始文本：<final_dir>/<base_name>.txt
- 附图：<final_dir>/images/（N 张）
- 日志：<final_dir>/logs/

【提取摘要】
- 专利名称：一种一体式自拍装置
- 申请号：201420522729.0
- 著录项目字段数：N 个
- 权利要求书：N 条
- 说明书子章节：N 个
- 附图验证：记载N页 / 实际N张 → 通过

多文件并行处理：

专利文档批量转换完成（并行处理模式）

处理文件数：N 个
成功：X 个 / 失败：Y 个
使用模型：<model_name>

【处理结果】
- 文件1：实用新型公告 → 成功（附图 N 张）
- 文件2：审查意见通知书 → 成功
- 文件3：失败（原因：...）

失败文件可单独重试。

七、参考文件

八、技术架构

patent-pdf-to-md/
├── SKILL.md                                        # 主控制文件（本文档）
├── scripts/
│   └── patent_extractor/
│       ├── main.py                                 # 主入口，自动检测文档类型并编排对应流程
│       ├── pdf_reader.py                           # PDF 文本提取（pdfplumber → fitz → MinerU → Tesseract）
│       ├── docx_reader.py                          # DOCX/DOC 文本提取（OOXML 解析）
│       ├── ocr_engine.py                           # Tesseract OCR 引擎（降级方案）
│       ├── section_parser.py                       # 专利公开/公告文件：章节识别、著录项目提取
│       ├── office_action_parser.py                 # 审查文件：文档类型检测、著录项目提取、正文解析
│       ├── image_extractor.py                      # 说明书附图提取（fitz 渲染 PNG）
│       ├── json_generator.py                       # 结构化 JSON 生成
│       └── markdown_generator.py                   # Markdown 生成
└── reference/
    ├── patent-publication-workflow.md              # 专利公开/公告文件处理流程
    ├── office-action-workflow.md                   # 审查文件处理流程
    ├── fault-handling.md                           # 故障处理对策
    ├── patent-type-differences.md                  # 专利类型差异参考
    ├── output-format.md                            # 输出格式规范
    ├── ocr-engine.md                               # MinerU OCR 引擎详情
    └── workspace-spec.md                           # 工作文件夹规范