---

name: pdf-to-knowledge description: 將 PDF 筆記內容抽取為結構化 Markdown 知識整理文件。支援文本型 PDF 和掃描件 OCR。自動檢測當前 agent 的 PDF 讀取能力，優先使用原生 PDF 閱讀（視覺理解），備選使用 Python 庫（PyMuPDF/pdfplumber/Tesseract OCR）提取文本和圖片，再理解內容進行知識抽取整理，最後嚴格格式化輸出 Markdown。觸發詞：PDF知識抽取、提取筆記、整理PDF、知識整理、掃描件OCR。

---

PDF 轉結構化知識整理

將 PDF 筆記內容抽取為結構化 Markdown 知識整理文件。

行為準則

1. 誠實：不編造原文中沒有的內容，不猜測不確定的知識點，不擅自補充自己"覺得應該有"的東西
2. 如實反映：原文說什麼就整理什麼，理解偏差或遺漏時如實標註
3. 主動詢問：遇到以下情況必須停下來詢問使用者，不要自行決定：
4. PDF 內容模糊、殘缺、無法理解時
5. 不確定某個知識點屬於哪個層級/分類時
6. 不確定某個術語的含義或翻譯時
7. 不確定輸出檔案應該放在哪個目錄時
8. 不確定檔案命名規則時
9. 不確定知識抽取的粒度（詳細還是精簡）時
10. 不耍小聰明：不要用看似合理但實際偏離原文的"最佳化"或"潤色"來掩蓋理解不足
11. 圖片不跳過：遇到圖片必須判斷其知識價值。若圖片是操作指引、流程圖、示意圖、例項內容、表格截圖或結構圖，輸出 Markdown 中必須保留圖片引用，並在圖片上下文處整理其含義
12. 嚴禁借用外部內容（零容忍）：
13. 知識整理的唯一來源是當前正在處理的 PDF 本身
14. 禁止讀取輸出目錄下已有的其它 _知識整理.md 檔案來拼湊、補充、參考或"借鑑"內容
15. 禁止讀取其它已生成的 markdown 檔案、wiki 檔案或任何非當前 PDF 的檔案來填充提取失敗的部分
16. 禁止根據檔名、目錄結構或上下文推測其它 PDF 的內容並寫入當前整理
17. 當 PDF 提取效果不佳時，唯一正確的做法是：
    1. 如實告知使用者提取質量差
    2. 列出具體問題（亂碼比例、缺失章節、無法識別的區域）
    3. 建議換用其它提取方式，或由使用者手動處理
    4. 寧可輸出不完整的整理（標註缺失部分），也絕不用其它檔案的內容偽造完整性
18. 這條規則沒有例外：即使其它檔案的內容"看起來和當前 PDF 是同一本書"、"應該是相同的知識點"、"只是補充缺失的部分"，也不可以借用。不同 PDF 的內容可能存在差異、版本不同、編輯不同，借用就是欺騙
19. OCR 誠實原則（方式 D 專用）：
20. OCR 識別內容是機器猜測結果，可信度低於原文提取
21. 禁止"潤色"OCR 結果：識別不清的必須標註 [OCR原文：xxx]，不得擅自猜測替換
22. 單頁 OCR 有效漢字 < 3 個 → 標註 [第X頁 OCR 識別失敗]
23. 連續 3 頁以上識別失敗 → 向使用者彙報，建議手動處理
24. 寧可遺漏，不可從其它檔案或網路搜尋內容填補 OCR 空缺

---

步驟 0：確認輸出目錄

在開始任何處理之前，必須先詢問使用者：

1. 知識整理 markdown 檔案輸出到哪個目錄？
2. 預設建議：PDF 所在目錄下的 knowledge_md/ 子目錄
3. 使用者可指定任意目錄
4. 若輸出目錄不存在，需先建立
5. 若需要匯出圖片，圖片輸出到輸出目錄下的 images/ 子目錄

不要假設輸出目錄，必須明確確認。

---

步驟 1：環境檢測與 PDF 讀取

不同 agent 有不同的 PDF 讀取能力。先檢測當前環境，再選擇最佳方式。

1.0 能力檢測

按以下順序檢測當前 agent 支援哪些 PDF 讀取方式：

┌─────────────────────────────────────────────────────┐
│ 檢測 1：原生 PDF 視覺閱讀                            │
│ 當前 agent 是否能直接"看"PDF 頁面（作為影像）？       │
│                                                      │
│ 判斷方法：                                            │
│ - 有 Read/File 工具且支援 pages 引數？               │
│ - 能讀取 PDF 並以影像形式呈現內容？                   │
│ - 測試：讀取 PDF 第 1 頁，能否看到完整頁面內容        │
│   （包括圖片、表格、排版）？                          │
│                                                      │
│ 若 YES → 使用方式 A（原生視覺閱讀）                  │
│ 若 NO  → 繼續檢測                                    │
└──────────────────────┬──────────────────────────────┘
                       │ NO
                       ▼
┌─────────────────────────────────────────────────────┐
│ 檢測 2：Python 庫可用性                              │
│                                                      │
│ 檢查命令：                                            │
│   python -c "import fitz; print('PyMuPDF OK')"      │
│   python -c "import pdfplumber; print('pdfplumber OK')" │
│                                                      │
│ 若 PyMuPDF 可用 → 使用方式 B（文本+圖片提取）        │
│ 若僅 pdfplumber  → 使用方式 C（文本+表格提取）       │
│ 若都不可用 → 繼續檢測                                │
└──────────────────────┬──────────────────────────────┘
                       │ NO
                       ▼
┌─────────────────────────────────────────────────────┐
│ 檢測 3：安裝 Python 庫                               │
│                                                      │
│ 嘗試安裝：                                            │
│   pip install PyMuPDF pdfplumber                     │
│                                                      │
│ 安裝成功 → 使用方式 B 或 C                           │
│ 安裝失敗 → 告知使用者，請求手動處理                   │
└─────────────────────────────────────────────────────┘

關鍵原則：能力檢測必須實際驗證，不能靠猜測。 不同 agent、不同環境的能力差異很大，必須通過實際測試確認。

方式 A：原生 PDF 視覺閱讀（最優）

適用條件： 當前 agent 能通過 Read/File 等工具直接"看"PDF 頁面（作為影像渲染）。

這是最佳方式，因為：

• 能看到完整的頁面渲染，包括圖片、圖表、表格
• 能理解頁面佈局和視覺層次
• 中文文本不會出現亂碼
• 能識別流程圖、架構圖、示意圖並理解其含義

操作方法：

1. 使用可用的檔案讀取工具讀取 PDF，指定頁碼範圍（若支援）
2. 每次最多讀取 20 頁，大檔案需分批讀取
3. agent 直接看到頁面內容，無需額外文本提取

Claude Code 示例：

Read(file_path="xxx.pdf", pages="1-20")

其他 agent： 使用各自平臺提供的檔案讀取工具，只要能渲染 PDF 頁面即可。

大檔案處理策略：

對於超過 20 頁的 PDF，按以下方式分批處理：

1. 先讀取前 20 頁，瞭解文件整體結構
2. 根據目錄或章節結構，規劃後續批次的頁碼範圍
3. 每批讀取後，立即進行該批次的知識抽取
4. 最後將所有批次的結果合併

分批時注意： - 儘量按章節邊界切分，不要在知識點中間斷開 - 每批開始時回顧前一批的最後幾個知識點，確保銜接 - 若某批內容與前批有重疊（章節跨頁），合併時去重

頁碼獲取：

若不確定 PDF 總頁數，先用 Python 快速查詢：

import fitz  # PyMuPDF
doc = fitz.open("input.pdf")
print(f"總頁數: {len(doc)}")
doc.close()

若 PyMuPDF 不可用，可通過讀取工具嘗試不同頁碼範圍來推斷總頁數。

方式 B：PyMuPDF 文本 + 圖片提取（通用備選）

適用條件： 當前 agent 無法原生閱讀 PDF，但可以執行 Python 指令碼。

依賴檢查：

python -c "import fitz; print(fitz.__version__)"

若未安裝：pip install PyMuPDF

文本提取：

import fitz

doc = fitz.open("input.pdf")
for i, page in enumerate(doc):
    text = page.get_text("text")
    print(f"--- 第 {i+1} 頁 ---")
    print(text)
doc.close()

圖片提取：

import fitz
import os

doc = fitz.open("input.pdf")
output_dir = "images"
os.makedirs(output_dir, exist_ok=True)

for i, page in enumerate(doc):
    images = page.get_images(full=True)
    for j, img in enumerate(images):
        xref = img[0]
        base_image = doc.extract_image(xref)
        image_bytes = base_image["image"]
        image_ext = base_image["ext"]
        image_path = f"{output_dir}/p{i+1:03d}-img{j+1:02d}.{image_ext}"
        with open(image_path, "wb") as f:
            f.write(image_bytes)
        print(f"匯出: {image_path}")

doc.close()

頁面轉圖片（為無原生 PDF 閱讀能力的 agent 提供視覺理解）：

當 agent 無法原生閱讀 PDF，但仍需要理解圖表/流程圖時，可將 PDF 頁面轉為圖片，再讓 agent 讀取圖片：

import fitz
import os

doc = fitz.open("input.pdf")
output_dir = "page_images"
os.makedirs(output_dir, exist_ok=True)

for i, page in enumerate(doc):
    # 渲染頁面為圖片（200 DPI，平衡清晰度和檔案大小）
    pix = page.get_pixmap(dpi=200)
    image_path = f"{output_dir}/page_{i+1:03d}.png"
    pix.save(image_path)
    print(f"匯出: {image_path}")

doc.close()

然後使用 agent 的圖片讀取工具逐頁檢視，獲得類似原生 PDF 閱讀的效果。

適用場景： 通用備選方案，適用於所有能執行 Python 的 agent

方式 C：pdfplumber 表格提取（補充）

適用條件： 方式 A/B 的表格提取效果不佳，且 PDF 中包含大量結構化表格。

import pdfplumber

with pdfplumber.open("input.pdf") as pdf:
    for i, page in enumerate(pdf.pages):
        tables = page.extract_tables()
        for j, table in enumerate(tables):
            print(f"--- 第 {i+1} 頁 表格 {j+1} ---")
            for row in table:
                print(row)

適用場景： 表格密集的 PDF，其他方式無法正確提取表格時的補充手段

方式 D：Tesseract OCR（掃描件兜底）

適用條件： 方式 A/B/C 均無法獲得可讀文本（掃描件/圖片型 PDF /大面積亂碼）。

環境檢測：

檢測 Tesseract 是否已安裝：
  where tesseract           # 驗證路徑
  tesseract --version       # 驗證版本
  tesseract --list-langs    # 驗證語言包（必須有 chi_sim）

檢測 Python 依賴：
  python -c "import pytesseract; print('OK')"
  python -c "from PIL import Image; print('OK')"

依賴安裝引導（僅首次需要）：

若 Tesseract 未安裝，按以下順序嘗試安裝，若所有方式均失敗則告知使用者手動安裝：

# 方式 1：winget（Windows 10/11 自帶）
winget install UB-Mannheim.TesseractOCR

# 方式 2：choco（需安裝 Chocolatey）
choco install tesseract

# 方式 3：引導使用者手動下載
# https://github.com/UB-Mannheim/tesseract/wiki
# 安裝時務必勾選 "中文(簡體)" 語言包

若 chi_sim（簡體中文）語言包缺失：

# 下載中文語言包
curl -L -o "%TESSDATA_PREFIX%/tessdata/chi_sim.traineddata" ^
  "https://github.com/tesseract-ocr/tessdata/raw/main/chi_sim.traineddata"

Python 依賴：

pip install pytesseract Pillow

OCR 執行：

import fitz
import pytesseract
from PIL import Image
import io
import os

doc = fitz.open("input.pdf")
output_dir = "temp_ocr_pages"
os.makedirs(output_dir, exist_ok=True)

for i, page in enumerate(doc):
    # 步驟 1：頁面渲染為圖片（200 DPI）
    pix = page.get_pixmap(dpi=200)
    img_path = f"{output_dir}/page_{i+1:03d}.png"
    pix.save(img_path)

    # 步驟 2：Tesseract OCR 識別
    try:
        text = pytesseract.image_to_string(
            Image.open(img_path),
            lang="chi_sim+eng",
            config="--psm 6"  # 統一文本塊模式
        )
        print(f"--- 第 {i+1} 頁 OCR ---")
        print(text if text.strip() else "[OCR 識別失敗]")
    except Exception as e:
        print(f"--- 第 {i+1} 頁 OCR 異常 ---")
        print(f"[OCR 錯誤: {e}]")

doc.close()

PSM 引數速查：

引數	模式	適用場景
--psm 3	自動分頁	通用，首次不確定
--psm 6	統一文本塊	乾淨筆記/文件頁
--psm 7	單行文本	標題、程式碼行
--psm 8	單個詞	關鍵詞、標籤

臨時檔案清理：

OCR 執行完成後：

1. 在知識整理檔案頭部標註 <!-- 來源：OCR 識別（Tesseract）-->
2. 詢問使用者是否保留 temp_ocr_pages/ 目錄
3. 若使用者選擇不保留，刪除該目錄

質量檢查：

• 單頁 OCR 有效漢字 < 50 字 → 輸出警告
• 亂碼比例 > 30% → 如實告知使用者效果不佳
• 連續 3 頁以上全部失敗 → 彙報並建議手動處理

  7w4.net小蔥技能。

• 質量不佳時遵守行為準則第 7 條（OCR 誠實原則）

方式選擇決策樹

開始處理 PDF
    │
    ├─ 步驟 1.0：能力檢測
    │   │
    │   ├─ 有原生 PDF 視覺閱讀能力？
    │   │   │
    │   │   ├─ YES → 使用方式 A，讀取前 20 頁測試
    │   │   │   │
    │   │   │   ├─ 內容清晰？ → 繼續方式 A 分批讀完全文
    │   │   │   │
    │   │   │   └─ 內容混亂？ → 回退到方式 B
    │   │   │
    │   │   └─ NO → 繼續檢測
    │   │
    │   ├─ 能執行 Python + PyMuPDF？
    │   │   │
    │   │   ├─ YES → 使用方式 B
    │   │   │   │
    │   │   │   ├─ 文本質量可接受？ → 繼續
    │   │   │   │
    │   │   │   ├─ 需要看圖表？ → 頁面轉圖片（方式 B 的頁面轉圖片功能）
    │   │   │   │
    │   │   │   └─ 表格提取差？ → 補充方式 C
    │   │   │
    │   │   └─ NO → 繼續檢測
    │   │
    │   ├─ 能安裝 Python 庫？
    │   │   │
    │   │   ├─ YES → pip install PyMuPDF pdfplumber → 回到方式 B
    │   │   │
    │   │   └─ NO → 告知使用者環境限制，請求協助
    │   │
    │   └─ 需要匯出圖片？ → 始終使用方式 B 的圖片提取
    │
    └─ 以上所有方式文本質量均不可接受（掃描件/圖片型 PDF）？
        │
        ├─ YES → 進入方式 D：Tesseract OCR
        │   │
        │   ├─ Tesseract 已安裝？ → 執行 OCR
        │   │
        │   └─ 未安裝？ → 引導安裝後執行 OCR
        │   │   │
        │   │   └─ 安裝失敗？ → 告知使用者環境限制，請求協助
        │   │
        │   └─ OCR 文本質量可接受？ → 進入步驟 2 知識抽取
        │       │
        │       └─ 仍不佳 → 如實告知，輸出已提取部分並標註 `[OCR 識別失敗]`
        │
        └─ NO → 繼續流程

提取後質量檢查

無論使用哪種方式，提取後必須檢查：

1. 文本完整性：是否有大量亂碼、缺字、錯位
2. 結構完整性：章節標題、層級關係是否清晰
3. 表格完整性：表格內容是否正確對齊，行列是否完整
4. 圖片覆蓋：重要圖表是否都被識別（方式 A）或匯出（方式 B）

若質量不佳，如實告知使用者並建議換用其他方式。

質量不佳時的正確處理流程：

1. 如實報告具體問題（"第 X-Y 頁亂碼嚴重"、"表格無法識別"、"圖表內容缺失"）
2. 建議換用其它提取方式重試
3. 若所有方式均失敗，告知使用者該 PDF 可能需要手動處理
4. 可以輸出已成功提取的部分，缺失部分標註 [提取失敗]

質量不佳時的禁止行為：

• 禁止讀取輸出目錄下其它 _知識整理.md 來"補充"缺失內容
• 禁止根據目錄結構或檔名推測其它 PDF 的內容
• 禁止用任何非當前 PDF 來源的內容填充空缺
• 禁止在未告知使用者的情況下悄悄跳過提取失敗的部分（必須顯式標註）

---

步驟 1.5：圖片處理

PDF 中的圖片往往承載關鍵知識點，不能忽略。

使用原生視覺閱讀時

agent 直接在頁面渲染中看到圖片，無需額外操作。在知識整理時：

1. 識別圖片型別：流程圖、架構圖、表格截圖、操作介面、示意圖等
2. 文字化描述：將圖片內容用文字描述出來，作為知識點的一部分
3. 保留圖片引用：若後續需要匯出圖片，在整理中標註圖片位置和描述

使用 Python 庫提取時

1. 匯出圖片：使用方式 B 的圖片提取指令碼，將圖片匯出到 images/ 目錄
2. 在整理中引用：在對應知識點附近插入 Markdown 圖片語法：

markdown ![圖片說明](./images/p003-img01.png)

1. 補充描述：圖片引用後，用列表補充圖片傳達的知識點
2. 頁面轉圖片：若 agent 無法原生閱讀 PDF 但需要理解圖表，使用方式 B 的頁面轉圖片功能，將頁面渲染為 PNG 後用圖片讀取工具檢視

使用 OCR 提取時

通過方式 D（OCR）提取時，圖片已經在頁面渲染中被 Tesseract 處理。此時：

1. OCR 提取過程中，PyMuPDF 已將頁面渲染為圖片並存於 temp_ocr_pages/ 目錄
2. 若圖片中包含關鍵知識（流程圖、表格截圖、示意圖），判斷是否需要保留這些 OCR 頁面圖片
3. 保留方法：從 temp_ocr_pages/ 複製到 images/ 目錄，使用標準 Markdown 圖片語法引用
4. 注意：OCR 僅為純文本提取，圖片描述需 agent 自己通過視覺理解補充，不得憑空編造

圖片識別標準

以下圖片必須在知識整理中保留引用或描述：

• 操作指引：選單、按鈕、配置步驟、軟體介面、命令執行結果
• 例項內容：例題、案例頁面、樣例輸入輸出、執行截圖
• 圖表結構：流程圖、架構圖、狀態轉換圖、關係圖、表格截圖、時序圖
• 正文引用：原文出現"如圖所示"、"見圖X"、"上圖"等
• 文本缺口：純文本提取後出現明顯空白，圖片可能承載缺失資訊

圖片整理規則

1. 圖片放在對應標題、步驟、概念、例子下面，不要堆到文末
2. alt 文本寫清圖片在原文中的作用
3. 圖片引用後，用列表補充整理圖片傳達的知識點
4. 無法完全理解時，仍保留引用並標註 [待確認]
5. 圖片路徑使用相對路徑：./images/[原PDF名]-p03-fig01.png

---

步驟 2：理解內容，知識抽取與整理

這是本 skill 的核心步驟。不是簡單的文本搬運或格式轉換，而是理解原文內容後重新組織。

2.1 先理解，再整理

• 逐頁閱讀提取的文本/頁面，先建立對整體內容的理解
• 識別原文的章節結構和邏輯脈絡
• 理解每個知識點的含義，而不是機械地複製原文句子
• 在理解的基礎上，用自己的話重新組織表達，但嚴格忠於原文含義

2.2 層級結構識別

根據原文內容的章節編號或標題層級，提取三級標題結構：

層級	Markdown 語法	對應內容
頂層	# [N]標題	章節/主題編號+名稱
中層	## 中文標題	大節標題
底層	### 中文標題	小節標題

• 若原文層級不清晰或無法判斷歸屬，詢問使用者，不要自行猜測

2.3 知識點提取原則

• 去噪：過濾頁首頁尾、AI生成提示（如"以下為AI生成的圖文筆記的內容"）、頁碼、時間戳等非知識內容
• 忠於原文：不新增原文沒有的內容，不刪減原文明確提到的知識點
• 如實標註：原文表述模糊或自己理解不確定的地方，標註 [待確認] 並詢問使用者
• 保留原文資訊：易混淆點、補充說明、來源標註、條件限制等原文明確給出的資訊必須保留；若原文包含考試、頻率、分值、難度等內容，也只作為普通知識點整理，不單獨建立考點欄目
• 合併同類項：將分散在同一主題下的相關內容合併，但合併後必須確認沒有遺漏
• 識別對比關係：原文中明確對比的概念（如 CISC vs RISC、互斥 vs 同步），整理為並列子項
• 表格處理：原文中的表格內容，轉換為 Markdown 表格或結構化列表，保留完整的行列資訊

2.4 抽取粒度

• 預設粒度：保留原文中所有明確提到的知識點，不自行取捨
• 若使用者指定了粒度偏好（精簡/詳細），按偏好執行
• 若不確定某個細節是否值得保留，詢問使用者

2.5 轉換示例

原文：
"CISC(複雜指令集):
- 特點：指令數量多、長度不固定、執行效率較低
- 實現：微程式控制(軟體方式)
RISC(精簡指令集):
- 特點：指令精簡、長度固定、執行效率高
- 實現：硬佈線邏輯+大量暫存器(硬體加速)"

整理後：
- CISC（複雜指令集）：
    - 特點：指令數量多、長度不固定、執行效率較低
    - 實現：微程式控制（軟體方式）
- RISC（精簡指令集）：
    - 特點：指令精簡、長度固定、執行效率高
    - 實現：硬佈線邏輯+大量暫存器（硬體加速）

關鍵：整理後的內容與原文含義完全一致，只是結構和格式更清晰。

2.6 表格轉換示例

原文表格：
┌──────────┬──────────┬──────────┐
│ 特性     │ CISC     │ RISC     │
├──────────┼──────────┼──────────┤
│ 指令數量 │ 多       │ 少       │
│ 指令長度 │ 不固定   │ 固定     │
│ 執行效率 │ 較低     │ 較高     │
└──────────┴──────────┴──────────┘

整理後（方式一：Markdown 表格）：
| 特性 | CISC | RISC |
|------|------|------|
| 指令數量 | 多 | 少 |
| 指令長度 | 不固定 | 固定 |
| 執行效率 | 較低 | 較高 |

整理後（方式二：結構化列表，適合知識點密集時）：
- CISC vs RISC 對比：
    - 指令數量：CISC 多，RISC 少
    - 指令長度：CISC 不固定，RISC 固定
    - 執行效率：CISC 較低，RISC 較高

---

步驟 3：嚴格格式化輸出 Markdown

3.1 檔案命名

[章節號]--標題_筆記.pdf  →  [章節號]--標題_知識整理.md

若不確定命名規則，詢問使用者。

3.2 輸出目錄

預設輸出到與 PDF 同目錄的 knowledge_md/ 子目錄。若使用者指定了其他目錄，按指定目錄輸出。

3.3 Markdown 格式嚴格規範

1. 標題層級：必須嚴格 # → ## → ###，不可跳級
2. 列表標記：統一使用 -（不是 * 或 +）
3. 縮排：子層級縮排 4 個空格（不是 2 個，不是 tab）
4. 空行：每個列表項後必須有一個空行（可以是完全空行，或僅含2個空格的行）
5. 中文標點：正文使用中文全形標點（，。：（）），英文術語用英文括號
6. 加粗：**術語** 僅用於首次出現的重要術語，不要濫用
7. 不添加註釋：不要在 markdown 中新增自己的評論或解釋性註釋

3.4 輸出結構模板

# [N]主標題

## 第一大節

### 第一小節

- 核心概念：描述內容

- 關鍵特性：

    - 子特性1

    - 子特性2

### 第二小節

- 對比關係：

    - 型別A：特徵描述

    - 型別B：特徵描述

## 第二大節

### ...

3.5 典型模式速查

場景	格式
定義描述	- 術語：一句話定義
分類列舉	- 分類名： + 4空格縮排子項
對比關係	- X：特點 / - Y：特點 並列
流程步驟	- 步驟1 → 步驟2 → 步驟3
例題分析	- 例題：題目 + 4空格縮排 - 解析：過程
不確定內容	- [待確認] 描述
表格	Markdown 表格或結構化列表

---

批次處理

發現更多 PDF

當使用者指定處理某個 PDF 時，檢查該 PDF 所在目錄下是否還有其他 PDF 檔案：

1. 掃描 PDF 所在目錄，列出所有 .pdf 檔案
2. 排除已處理的（輸出目錄中已有對應 _知識整理.md 的）
3. 若存在未處理的 PDF，詢問使用者：
4. "發現目錄下還有 N 個未處理的 PDF，是否一併處理？"
5. 列出未處理 PDF 的檔名供使用者選擇
6. 使用者可選擇：全部處理 / 選擇部分 / 不處理

批次處理流程

1. 確認要處理的 PDF 列表
2. 逐個處理，每個 PDF 獨立生成一個 markdown 檔案
3. 可並行處理多個 PDF 以提高效率（若當前 agent 支援並行任務/子代理派發）
4. 若某個 PDF 提取失敗或內容無法理解，如實報告，不要跳過隱瞞
5. 處理完成後彙總報告：成功數量、失敗數量、失敗原因

並行處理策略

對於批次處理，若當前 agent 支援並行任務執行或子代理派發（如 Claude Code 的 Agent 工具、Gemini 的並行任務等），可並行處理多個 PDF：

1. 每個子任務獨立完成：讀取 PDF → 理解內容 → 生成知識整理 markdown
2. 各任務之間互不依賴，可完全並行
3. 主任務負責：分發任務、收集結果、生成彙總報告和 Wiki

若當前 agent 不支援並行處理，則逐個序列處理。

生成 Wiki

所有 PDF 處理完成後，將輸出目錄下所有 _知識整理.md 檔案整合為一個 Wiki 索引檔案。

注意：Wiki 生成是在所有 PDF 都處理完成之後進行的，此時讀取已完成的知識整理檔案是為了建立索引和關聯關係，這是合法行為。這與行為準則第 6 條禁止的"在處理某個 PDF 時借用其它檔案內容"是完全不同的場景。Wiki 生成只能在所有 PDF 獨立處理完成後才能開始。

1. 掃描輸出目錄下所有 _知識整理.md 檔案
2. 按檔名中的章節號排序
3. 生成 Wiki.md 檔案，結構如下：

# 知識庫 Wiki

## 目錄

| 序號 | 章節 | 檔案連結 |
|------|------|----------|
| 1 | 計算機系統基礎知識 | [[1]計算機系統基礎知識](./[2]--1.計算機系統基礎知識_知識整理.md) |
| 2 | 作業系統概述 | [[2.1]作業系統概述](./[3]--2.1作業系統概述-程序管理-同步互斥_知識整理.md) |
| ... | ... | ... |

## 章節間關聯

- 第2章（作業系統）是第1章（計算機基礎）的深入展開
- 第3章（資料庫）與第2章的檔案管理相關
- ...

1. Wiki 中包含：
2. 目錄表：所有章節的編號、名稱、連結
3. 章節間關聯：識別章節間的知識關聯關係（如前後依賴、交叉引用），幫助使用者建立知識體系

4. 統計資訊：總章節數、總知識點數等

5. Wiki 檔案輸出到與知識整理檔案相同的目錄

這個 Skill 質量較高，能有效將 PDF 筆記轉換為結構化 Markdown 文件。它設計了多種處理方式來適應不同環境，圖片和表格都能妥善處理。最突出的是對內容真實性的堅持——不編造、不借用外部內容，OCR 識別結果也會誠實標註。不過它缺少示例和常見問題解答，遇到問題時可能需要自行摸索。總體而言功能完整可靠，是整理 PDF 筆記的好幫手。