文件分析器#

当用户提供一个包含多个文档的本地目录，并希望：

• 对文档进行管理
• 批量提取文档文本
• 对文档进行主题分类
• 基于固定模板输出一份总报告
• 自动将文档移动到分类后的文件夹

---

Token Extraction#

From user input 管理 D:\测试 路径下的文档 → file_path = D:\测试

技能目标#

本技能的目标是处理一个本地文件夹，并输出 一份完整报告。

整个流程必须分为三个阶段：

1. 提取文本
2. 文档分类 + 文件整理
3. 写报告

其中：

• 第一阶段由脚本完成
• 第二阶段完成分类 + 文件移动
• 第三阶段写报告时，必须参考用户提供的报告模板或技能内预设模板

---

输入#

用户会提供一个本地目录路径，例如：

D:\papers

目录中应包含一个或多个 .pdf 文件。

如果用户提供的是单个文件而不是目录，不要假装支持目录分析。

应明确说明该输入不符合本技能预期。

---

第一部分：提取文本#

这一阶段只负责从目录中的 PDF 提取原始文本。

脚本职责#

运行脚本，遍历目标目录中的全部 PDF，并提取每篇文档的纯文本。

脚本只负责：

• 校验目录是否存在
• 遍历目录中的 PDF 文件
• 提取 PDF 文本
• 返回结构化结果

不要把以下逻辑写进 Python：

• 分类任务
• 摘要生成
• 报告写作
• 模板填充

这些工作都应交给模型完成。

脚本调用#

运行脚本：

bash

run {baseDir}/scripts/extract_pdf_folder.py "<folder_path>"

第二部分：文档分类#

分类数量要求#

主题数量应根据文档数量动态调整，建议：

• 文档数量 3-6 篇：3-4 个主题
• 文档数量 7-12 篇：4-6 个主题
• 文档数量 12 篇以上：6-8 个主题

分类时应考虑：

• 研究领域（如机器学习、交通工程、气候科学等）
• 应用场景（如预测、检测、建模、分析等）
• 数据类型（如 GPS 轨迹、时序数据、遥感数据等）
• 方法论（如深度学习、统计方法、混合方法等）

优先按研究领域细分，同一领域内可按应用场景或方法论进一步区分。

第二部分输入#

输入为第一阶段返回的 documents 列表。

第二部分执行#

逐篇读取 text，判断其最核心主题。 将其加入到对应的文件夹。

文件整理（移动文档到分类文件夹）#

执行要求#

在完成文档分类后，必须将每篇 PDF 文件移动到对应的分类文件夹中。

操作步骤#

1. 在目标目录（PDF 所在目录）下创建以主题命名的子文件夹
2. 将每篇 PDF 移动到对应主题的子文件夹中
3. 文件夹名称应简洁明了，建议使用中文命名（如"电动汽车出行模式"、"城市货运物流"等）

注意事项#

• 如果目标文件夹已存在同名子文件夹，直接使用
• 移动前确保原文件没有被占用
• 报告中的"各主题下的文档归应与实际文件夹结构一致

第二部分输出#

至少形成两类内部结果：

1. 文档到主题的映射
2. 主题到文档集合的映射（根据文档数量动态调整）

第三部分：写报告#

这一阶段根据以下输入生成最终报告：

1. 第一阶段提取出的文本
2. 第二阶段生成的分类结果
3. 用户提供的模板或默认模板

第三部分目标#

生成一份完整总报告。

报告应先呈现整体内容，再呈现单篇文档卡片。

不要把单篇卡片单独作为第一结果输出。

模板位置#

默认报告模板文件位于：

references/report-template.md

写报告时，必须先读取并遵循该模板。

如果用户在当前对话中提供了自己的模板，则优先使用用户模板。

如果用户没有提供模板，则使用默认模板。

第三部分执行顺序#

1. 读取并理解报告模板
2. 根据第一阶段文本和第二阶段分类结果整理报告内容
3. 先写文件夹概览
4. 再写主题分类结果
5. 再写各主题下的文档归并
6. 再写总体结论
7. 最后写单篇文档卡片
8. 若存在失败文件，则在末尾列出

第三部分输出#

最终只输出一份完整报告，并保存。

报告中至少应包含：

• 文件夹概览
• 主题分类结果
• 各主题下的文档归并
• 总体结论
• 单篇文档卡片
• 处理失败的文件（如有）

模板遵循要求#

不要脱离模板自由生成章节结构。

不要擅自增加“文档对比”“差异分析”“优劣比较”等内容，除非用户明确要求。

如果模板中的某个字段无法从文本中得到明确支持，写：

未明确提及

不要为了填满模板而编造内容。