Files
agent/skills/document-photo-to-pdf/SKILL.md
T
2026-10-22 09:54:39 +08:00

8.6 KiB
Raw Blame History

name, description, thinking
name description thinking
document-photo-to-pdf 把手机拍摄的纸质文档照片拉正、去背景,按顺序合并为一个 PDF true

文档照片转 PDF

手机拍的纸质材料 → 一个版正字清的 PDF。适用于合同、票据、证照、手写稿等多页纸质材料,纸张尺寸不限。

怎么跑

本技能没有 run 入口,用 terminal 直接执行命令。脚本装在技能目录,而 terminal 的 cwd 是会话任务目录——两者不是同一个目录,所以脚本一律用绝对路径调用,图片和 out/ 用任务目录里的相对路径:

python3 /workspace/skills/document-photo-to-pdf/doc_deskew/pipeline.py <子命令> ...

铁律

以下 8 条为硬约束,违反任一条即视为任务失败:立即停手、向用户说明,不得"先改完再说"。

  1. 先说再做。 每次调脚本前用一句话说明这次干什么(要标注步骤编号)。
  2. 坐标只能靠眼睛读,禁止一切自建脚本。 不另造任何纸张处理的辅助的代码,一次性脚本也不行。确实无法达成目的需要新能力=先停下问用户,不许自己造。
  3. 不裁切、不放大、不逐角看。 四个角在同一张网格图上一次读全,直接报 4 组数字。不为了"读准一点"造局部图、加刻度、逐个角反复看。
  4. 每张图读 2 次,且每次都要有目的。 网格 1 次 + 角标 1 次,看完就交付。
    • 读之前先说清这次要确认什么。 说不出目的就不读。"再看一眼确认一下"不算目的。
    • 不为读而读。 允许重读,但必须是被动的、有明确对象的:图没送达/像素没收到、要核对某个具体数字或某条边。没有新对象就直接用手上已有的数字。
    • 只读这两类图。 网格、角标。原图、局部放大图、成品图、自己另造的辅助图都不读。
    • 没把握就按"宁可外扩"给保守值,交给角标图验证,不在读图阶段磨。
  5. 一次成件,禁止试错。 一条 build 出件 + 检验。一轮里每页最多跑 1 次 build;不调参、不重取角点、不换方法、不"先出一版看看"。不通过就报诊断,停下等确认。
  6. 只有用户明确说"再改"才允许修复。 完整一轮 = prepare → set(每页一次)→ build(一次)→ 看角标 → 交付。这一轮内发现的任何偏差(框偏了、裁到内容、比例不对),一律只报诊断和坐标建议,不自行改、不重跑、不补做。用户在本轮交付后明确说"再改/重做"时才能动手,且还是只跑一轮,改完重新过角标关。
  7. 指标 ≠ 成品。 校验只查"框内"像素,框漏掉的内容查不出来。角标图必须亲眼看。
  8. 违规即停。 一旦意识到自己正在写脚本、造辅助图、二次 build 或擅自修复,立即停手,向用户说明,不带病交付。

交付前自检(有一项为"是"就停手报告)

  • 本轮是否新建/修改过任何脚本或辅助图?
  • 本轮 build 是否跑超过 1 次?
  • 是否在用户没说过"再改"时自行调整过角点或重出件?
  • 每张图是否只读了网格、角标各 1 次?
  • 校验未过的项是否只报告、没自行修?

流程

1 · 出网格图

python3 /workspace/skills/document-photo-to-pdf/doc_deskew/pipeline.py prepare 图1.jpg 图2.jpg

不传图片名 = 取当前目录所有图片。输出 out/N-网格-<名称>.png(100px 红色主线带坐标刻度、50px 蓝色辅助线,两者同宽)。

2 · 从网格图中读出角点,一张图一条命令

顺序固定:左上 → 右上 → 右下 → 左下(屏幕坐标,原点左上)。

要找的是纸张本身真实的四个角——纸面这个四边形的 4 个顶点,坐标的质量直接决定最终成品的质量!。

读数方法:

  1. 先找离目标点最近的红线(整百、带数字刻度)读基准值;
  2. 再识别目标点相对相邻蓝线(50px)的偏移;
  3. 把目的坐标复述成一句话,例如“右下:x 在 1000 红线右 52px,y 在 1700 红线下 22px → 1052,1722”。

读数要求:

  • 读之前先定好这一张要报的 4 组数字,看完立刻 set 落盘到 out/corners.json。
  • 角被遮挡:沿两条可见纸边延长交会出顶点。
  • 角出画面:顺两条边的趋势延长,坐标可为负或超界(脚本接受)。

写入坐标:

python3 /workspace/skills/document-photo-to-pdf/doc_deskew/pipeline.py set 图1.jpg \
  --quad "左上x,左上y;右上x,右上y;右下x,右下y;左下x,左下y"
  • 一次只写一张图,脚本已强制拦截多图(防串页)。
  • 落盘 out/corners.json,同名键覆盖并打印旧值对比;show 可随时查看。
  • 报给用户的只能是 --quad 串或 4 组坐标数字,禁止"约 (140,390)、纸略倾斜"这类描述。

3 · 一条命令出件

python3 /workspace/skills/document-photo-to-pdf/doc_deskew/pipeline.py build \
  --out 文档照片_校正.pdf --paper a4 --force

内部依次:回画角标 → 角点几何校验 → 透视校正+按纸比例拉正+提亮 → 合并 PDF → PDF 渲染检验 → 打印汇总。

参数:

  • --paper:标准纸必须传 —— a4(0.707)、letter(0.773)、16k(0.712)、b5(0.704),或数字比例。票据、异形纸不确定就省略,保留原始比例。
  • --force:角点校验不过也出件(默认)。
  • 位置参数传图名:只出指定页,如 build 图2.jpg --out 结果.pdf(输出 PDF 只含这一页)。
  • --dpi:PDF 检验渲染 dpi,默认 100。

4 · 看角标图(强制,一次)

角标图是决定图像处理质量的唯一标准!

读 out/N-角标-*.png(原图 + 同一套网格 + 四角标注),四个角在同一张图上核对:

  1. 绿线是否压在纸边交界?
  2. 纸张上内容是否全在绿线框内?
  3. 4个角标是否都在纸张实际的角上!

只看不改: 发现问题只记进报告,记录修正前后角标坐标的表格、不重跑 build、不补造辅助图。

页码 实际使用的角点坐标 修正后的角点坐标
1 x1,y1;x2,y2;x3,y3;x4,y4 x1',y1';x2',y2';x3',y3';x4',y4'

判定与报告

检查项 判据 不达标含义
页数 与源图数一致 合并出错
纸面短边 ≥ 533px @100dpi 角点错或分辨率过低
纸张比例 仅提示 传了 --paper 应≈1.00,偏差大说明角点有误
边缘背景残留 边带亮度 ≥ 纸面 80% 角点落在背景上,内收 3~5px
内容贴边 页边无成片文字级暗像素 内容被切,外扩 5px
  • 全部通过:给产物路径、大小、页数、指标,加一句角标图上确认的结果。
  • "外侧纸面占比 100%"一律当角点错误,误差是几十到上百 px,回第 2 步重读,不是微调。
  • 不达标:只报诊断+ 建议,不自行改、不重跑、不换方法。用户明确说"再改"后,才改动后重跑一轮,然后交用户决策。
  • 用户没发话就交付:即使只差 1px、即使一眼看出能更好,也不许动。报告里可写建议,手不能动。

内容安全

禁止用生成式模型处理这类图片。 生成模型是重绘而非变换,会改写文档内容,且结果看起来完全正常。本流程只做纯几何变换 + 全局等比提亮,文字、金额、印章保持原始像素。

命令速查

下表省略公共前缀 python3 /workspace/skills/document-photo-to-pdf/doc_deskew/。

场景 命令
出网格图 pipeline.py prepare 图1.jpg 图2.jpg
写角点(一张一次) pipeline.py set 图1.jpg --quad "x1,y1;x2,y2;x3,y3;x4,y4"
查看已落盘 pipeline.py show
出件 pipeline.py build --out 结果.pdf --paper a4
只出指定页(PDF 只含该页) pipeline.py build 图2.jpg --out 结果.pdf
复检已有 PDF(不重新出件) pipeline.py check 结果.pdf --expect-pages 2

底层模块(与 pipeline.py 同目录,由它调用,日常不用直接执行):

模块 职责
grid.py 画带坐标的网格图
preview_quad.py 画角标图(叠网格)
verify_quad.py 角点几何校验
homography.py 透视变换 + 提亮
run.py 拉正 + 拼页(纯模块,无 CLI)
make_pdf.py 多页合成 PDF
check.py 成品 PDF 检验

已知边界

  • 纸张出画面的部分无法还原,角点可外扩到画面外。
  • 不为凑标准比例拉坐标;比例偏离通常是取点不准或纸张非该规格。
  • 拍摄时四边各留 3%~5% 背景余量。