---
name: 文档解析技能
description: 解析文档（.docx, .pdf）以提取图像和文本结构，并使用视觉大语言模型分析每个图像的类型和描述。
---

# 文档解析技能

## 概述

此技能从文档（.docx, .pdf）中提取内容并准备进行进一步分析。它提取文本内容和嵌入图像，并对图像执行初始分析以了解其类型和内容。

## 功能

该技能：
- 从文档中提取文本结构（段落、表格、标题）
- 识别并提取嵌入的图像
- 使用视觉大语言模型分析每个图像并确定其类型和内容描述
- 生成结构化输出，将图像映射到其在文档中的位置
- 创建文档的初始解析表示，供后续处理阶段使用

## 输入要求

- 文档文件路径（必需，支持.docx和.pdf格式）
- 可选输出目录（默认为'output/'）
- 可选试运行标志，在不调用API的情况下预览大语言模型提示

## 输出

该技能生成一个结构化JSON文件，文件名为输入文档的基本名称后跟'_parsed.json'，包含：
- `sections`：按标题分组的文档文本结构
- `image_sources`：从图像标识符到其在文档中位置的映射
- `image_analysis`：由视觉大语言模型确定的每个图像的类型、内容描述和（如适用）结构化逻辑树
  - `type`: 图片类型（flowchart/architecture/state/sequence/activity/other）
  - `description`: 图片的文字描述
  - `logic_tree`（可选，仅图表类型）：结构化逻辑树JSON，包含 `root`（根节点描述）和 `nodes` 数组。节点类型：`decision`（判断）、`action`（动作）、`state`（状态）、`start`（开始）、`end`（结束）。decision 节点包含 `condition` 和 `branches` 字段，其他节点包含 `description` 字段。

## 集成点

此技能作为文档分析管道中的初始处理步骤。其输出被冲突检测技能消费以识别文本和视觉内容之间的差异。