alizeisnotalice 题目图片/文档转试卷 PDF
0. 视觉能力预检（图片输入必做）
- 判断当前会话是否实际支持图像输入与理解，不能只根据模型名称猜测。DeepSeek V4 Flash Vision 可作为经济型视觉模型；任何确认支持图像输入的模型均使用同一视觉流程。
- 支持图像时：以原图为准，高分辨率逐图读取；复杂扫描页先按题块/图块处理，不把整页当作一张配图。
- 不支持图像时，先向用户明确提示：“当前模型无法直接识图，已切换 OCR 兜底；文字、公式和图像边界需人工核对。” 然后才可运行系统 OCR。OCR 得出的文字、公式、图形边界均标注为「待核对」；看不清的字符仍写「？」。
- 识别每个题块时先建立可复核记录：
题干、选项、公式、示意图区域（原图坐标 x,y,w,h）、置信度/待核对项。不要根据该记录猜测或补全原图未出现的信息。 - 对 DeepSeek V4 Flash Vision，先要求它返回上述识别清单和可验证区域坐标，确认区域只含示意图后才裁剪；不得把模型输出直接视为已核对结果。其他多模态模型复用完全相同的输入和输出约定。
工作流程
1. 输入类型判断
- 输入是图片或图片文件夹 → 直接进入第 4 步「图片处理」。
- 输入是文档（.pdf / .docx / .md / .txt）→ 运行
scripts/extract_document.py <文档> -o <输出目录>，然后读取输出的content.txt（全文+占位符）和pages.txt（轻量索引）。 - 遇到旧版 .doc 或其他不支持格式 → 告知用户另存为 .docx，或说明不支持。
2. 简单判断，确定题目部分
- 只做快速判断，不逐字精读：
- 图片输入：快速浏览/抽样识别每张图，区分题目图与无关图（封面、答案页、说明图），确定处理范围与顺序。
- 文档输入：先读
pages.txt，根据页首行、题号/题型标记、图片分布，判断题目所在的页/段落范围。
- 排除封面、目录、考试说明、答案页、水印等非题目内容，只保留题目部分。
- 判断不明确时，标记疑问并询问用户，不擅自猜测。
3. 内容分流
- 情况① 图文混合文档：
content.txt的文本可直接使用（无需 OCR），但公式要校正为 LaTeX 数学模式；用视觉筛选images/中真正的题目配图（丢弃装饰图），需要时裁剪/清理（规则见第 4 步）→ 进入第 5 步。 - 情况② 纯文字文档：直接用文本识别题干、公式、选项（公式转 LaTeX 数学模式）→ 进入第 5 步（无配图）。
- 情况③ 纯图片文档（扫描版 PDF / 图片型文档）：
extract_document.py已拆分为页图片（PDF 渲染到 pages/，DOCX 提取到 images/）→ 进入第 4 步按图片流程处理。 - 输入本身是图片/文件夹 → 直接进入第 4 步。
4. 图片处理（图片输入 / 情况③ / 情况① 的配图）
- 清点图片顺序与数量；内容相同的重复图片合并为一道题。原图优先，不能用缩略图或聊天预览图替代。
- 逐题块识别并完成「视觉能力预检」规定的记录。默认只保留几何图、坐标图、表格、实验装置等示意图；题干、选项和可识别公式转为 LaTeX，不作为配图保存。
- 先用视觉模型给出的
x,y,w,h定位单独示意图，再运行：scripts/tighten_crop.py <原图> -o <配图> --region x,y,w,h --manifest <配图>.crop.json- 脚本会收紧边界、保护细线/箭头/坐标轴，并默认清理内容保护区外的中性灰底；需要保留原背景时加
--no-clean-background，暗角影响边界时调低--threshold（如 200）。禁止手工截图。 - 每张裁剪图与
.crop.json必须目视复核：四周留白接近默认 8px、不含题干文字、不裁掉图形内容。初始review_status必须是pending；复核合格才重跑脚本并写--review-status approved。不合格时调整区域重裁，无法安全裁剪则保留原图并标「待核对」。
- 脚本会收紧边界、保护细线/箭头/坐标轴，并默认清理内容保护区外的中性灰底；需要保留原背景时加
- 将已复核的题目文字与配图一一对应；OCR 或未批准裁剪不得作为无条件可信的依据。
5. 排版（所有情况通用）
- 复制
assets/gaokao-template.tex作为排版模板，按需微调\questionitemfig中配图的宽度和高度（默认：宽 85% 行宽、高不超过页面 30%），替换其中的内容；仿照高考版式，相同题型放在一起，选择/填空题之间空一行；解答题之间用\workarea{5}留出 5 行作答区。
6. 编译
- 用
which xelatex检测系统环境；有则用 xelatex 编译两遍（页脚"共 N 页"需要两遍才正确），或使用latexmk -pdf；没有 xelatex 则用 Tectonic；两者都没有时按「无本地 LaTeX 的替代方案」处理（优先在线编译，HTML 兜底须人工核对）。
7. 渲染检查（交付前必做）
- 运行
scripts/render_check.py把 PDF 逐页渲染成图片，检查溢出、重叠、公式错误、配图裁剪是否准确，并检查编译日志没有Missing character警告；同时检查页首没有孤立分隔线、题号不孤悬在页尾、每题尽量不跨页；发现问题则修改后重新编译并再次检查。
8. 交付
- 交付 .tex 源文件和 PDF（同名、同一目录，如
试卷.tex与试卷.pdf）。 - 若目标用户没有本地 LaTeX，交付时附上在线编译说明：把
试卷.tex与figures/（如有）一起打包，上传到 Overleaf 或 TeXPage 新建项目即可编译。
无本地 LaTeX 的替代方案
- 在线编译/编辑（推荐，零安装）：把
试卷.tex与figures/配图目录打包，上传到 Overleaf（overleaf.com）或 TeXPage（texpage.com，中文友好、支持 ctex）新建项目编译。模板自包含（宏定义都在 .tex 内），无需修改即可出 PDF，也可直接在浏览器里编辑题目。 - 仅查看/打印：直接把已生成的 PDF 发给用户即可，不需要任何 LaTeX 环境。
- 需要 Word 编辑：若环境装有 pandoc，可执行
pandoc 试卷.tex -o 试卷.docx --resource-path=.生成可编辑 Word（公式转为 OMML，需人工核对）；没有 pandoc 时建议用在线编辑器修改 LaTeX 后重新导出。 - 本机无 LaTeX 的兜底：可生成含 MathJax 的 HTML 用浏览器打开并打印为 PDF，但复杂 ctex 模板与自定义宏可能无法完整还原，必须人工核对后才能交付。
试卷版式规范（九科通用）
- A4 单栏；正文小四宋体（12pt）、约 1.18 倍行距（紧凑排版）、数字/字母 Times New Roman——模板已内置，不要改动这些设置。
- 试卷标题用二号黑体、学科/时间/分值行用三号黑体（通过模板的
\examtitle实现）。 - 层级序数按"一、 → 1. →（1）→ ①"逐级使用；① 只用于正文，禁止出现在标题或加粗文字中（会缺字形）。
- 选择题选项序号用大写英文字母（A. B. C. D.）。
科目特例
- 语文：阅读材料用楷体（
{\kaishu ...}）；作文题用\workarea{20}留足作答空间。 - 英语：题干与选项中的英文走 Times New Roman（模板已设置）；写作题用
\workarea留足作答空间。 - 化学：化学方程式/离子式用
\ce{}（需在导言区加\usepackage{mhchem}），如\ce{2H2 + O2 -> 2H2O}。 - 政治/历史/地理：材料题引文用楷体（
{\kaishu ...}）。 - 数学/物理/化学/生物：公式一律用数学模式；物理量斜体、单位正体（见排版规则）。
排版与规则
- 题干用 LaTeX 排版，公式、分数、上下标、希腊字母一律用数学模式。
- 有配图的题目：题干在上、配图在下（配图居中，宽 85% 行宽、高不超过页面 30%）；无配图则单栏排版。
- 相同题型（选择、填空、解答）连续排列，不要打乱。
- 选择题和填空题之间留一行空格，解答题之间用
\workarea{5}留 5 行供作答。 - 填空题统一用
\underline{\qquad}（或\underline{\hspace{2cm}}指定宽度），禁止使用裸下划线____（会编译报错）。 - 物理量、向量用加粗斜体（
\boldsymbol{}）；单位用正体\mathrm{}（如 $\mathrm{kg}$、$\mathrm{m/s^{2}}$）。 - 正文中的
% _ & # $等特殊字符必须转义（\% \_ \& \# \$）；从文档提取的文本要逐项检查转义。 - 长公式用
aligned/split换行，不允许超出页边。 - 数据表用 booktabs 风格（
\toprule/\midrule/\bottomrule）。
防幻觉红线
- 看不清的字标「？」或「来源未知」，严禁推测、补全或编造内容。
- 只识别图片中真实存在的内容，不自行添加原题没有的信息。
- 题目范围判断不明确时询问用户，不擅自猜测。
资源
assets/gaokao-template.tex：九科规范 LaTeX 模板（A4 单栏、小四宋体、紧凑行距、二号黑体标题、页脚页码、booktabs 表格、Times New Roman 数字字母）。排版时复制它，替换\begin{document}与\end{document}之间的内容。scripts/extract_document.py：文档提取脚本。把 PDF/Word/Markdown/文本 提取为content.txt（全文+[图N]占位符）、pages.txt（轻量索引：页首行、题号/题型标记、类型判断）和images/（嵌入图片）。scripts/render_check.py：把 PDF 每页渲染成 PNG，用于交付前的逐页核对（渲染工具自动回退：pdftoppm → pdf2image → PyMuPDF → sips）。scripts/tighten_crop.py：紧贴内容边界的配图裁剪脚本。视觉模型先给出只含示意图的--region x,y,w,h（支持像素或归一化坐标）；脚本保护细线并输出可追溯的--manifestJSON，默认待人工复核。