Azzygoatcoder Office Tools — Office/PDF 文件处理
科研骨架的 Office 模块。Excel 数据处理 + markdown↔Office 转换 + PDF/Office 提图给 vision 读。
场景判定
| 场景 | 触发 | 命令 |
|---|---|---|
| Excel 数据处理 | 实验数据/表格分析 | read / stats |
| markdown 表 → Excel | 阅读报告/防撞车矩阵转 xlsx 分析 | md2xlsx |
| Excel → markdown | xlsx 回写笔记 | xlsx2md |
| CSV → Excel | 实验数据导入 | csv2xlsx |
| PDF/Office 提图 | 论文配图、报告插图 | source 优先（arXiv 源码包作者原图）→ extract 回退 → vision.py |
| markdown → Word | 课程作业/报告转 docx | md2docx（pandoc） |
| markdown → PPT | 课程汇报/讲稿转 pptx | md2pptx（pandoc） |
写作：markdown → Word/PPT（pandoc）
office-tools md2docx 笔记.md 报告.docx [--toc] [--reference-doc bin/templates/reference.docx]
office-tools md2pptx 讲稿.md 汇报.pptx [--slide-level 2] [--reference-doc 模板.pptx]
- LLM 写 markdown（天然输出）→ pandoc 转 Office，薄封装在 office_tools（pandoc 全部能力自然继承：公式/引用/双栏/备注）
- LaTeX 公式($..$) → Word/PPT 原生 OMML 方程（可编辑，实测 docx+pptx 都出）；这是选 pandoc 而非其他路线的关键
- 中文字体：docx 用
--reference-doc bin/templates/reference.docx（已预设宋体正文/黑体标题/1.5倍距/首行缩进2字符） - pptx 结构：
#=分节标题页、##=一页，输出原生文本框（可编辑，非图片）；公式同样 OMML - 重新生成默认模板：
pandoc -o reference.docx --print-default-data-file reference.docx→style-reference-docx；模板可在 WPS/Word 手动微调后保存即生效
关键能力：看图
宿主模型自带原生视觉（DeepSeek V4.1+）——直接读图即可，不需要代理：
office_tools extract pdf 论文.pdf --outdir 图/
→ read_image 图/p7_img957.png # 原生读图（首选）
→ vision.py 图/p7_img957.png "这是什么图？" # 跨模型第二意见（可选，见下）
- PDF：默认提取嵌入图；
--pages 1,3渲染整页为 PNG - docx/pptx：提取内嵌图片
- 默认直接用原生读图：更快、无外部依赖、能同时看多张
vision.py现在的定位是「跨模型第二意见」（Qwen3-VL-32B，SiliconFlow），不是"代眼"： 当需要与作者模型不同的独立判断时才用（例如判"这张图值不值得留"、"渲染有没有错"）。 同模型自评会继承同一套盲点，独立模型才有信息量——这正是本仓库"验证环"的要点。 批量分类场景仍推荐classify（两阶段过滤后只对幸存图调用，省 token）
拿论文原图：源码包优先（存在 LaTeX 源码版就直接拿）
多数 arXiv 论文有 LaTeX 源码包——需要论文原图时首选它，作者亲手画的原图无碎片/无渲染损耗、矢量保持矢量：
python papers/arxiv_fetch.py source <id> --outdir 笔记/assets/
# e-print 下载 → 解压 → \includegraphics 反查作者原图 → PDF 转 PNG
extract 只在无源码包时作回退（区域渲染；extract_image 原始字节会拿复合图碎片，已弃用）。
两阶段过滤（省 token / 省调用）
不是所有图都值得细看——extract 先用免费规则滤掉装饰图，只对幸存图细看：
extract pdf 论文.pdf --outdir 图/ # 免费层：尺寸/文件大小/页眉页脚 + [CAP]Figure 标题标记
classify 图/ # 第二层：幸存图分类 价值图/装饰图（走 vision.py 独立模型）
实测（CircuitFusion）：33 张 → 免费层留 5（滤 29 张照片/装饰条）→ 分类 3 价值 + 2 装饰（256×256 图标漏过免费层被揪出）。只看论文本身有意义的图。
免费层仍然必做：它省的是看图的次数（33 次 → 5 次），无论用原生读图还是
vision.py都省。
命令速查
office-tools read data.xlsx [--sheet 表1] [--head 10]
office-tools md2xlsx 笔记.md out.xlsx [--table all|0,1]
office-tools xlsx2md data.xlsx [--sheet 表1]
office-tools stats data.xlsx [--col 列名,列名]
office-tools csv2xlsx data.csv out.xlsx
office-tools extract pdf 论文.pdf --outdir 图/ [--pages 1,3]
office-tools extract docx 报告.docx --outdir 图/
office-tools extract pptx 汇报.pptx --outdir 图/
office-tools md2docx 笔记.md 报告.docx [--toc] [--reference-doc 模板.docx]
office-tools md2pptx 讲稿.md 汇报.pptx [--slide-level 2] [--reference-doc 模板.pptx]
脚本 office-tools（pip install -e . 后为 console 命令；也可 python bin/office_tools.py 直调）。依赖：openpyxl、pymupdf、python-docx、python-pptx、pandoc（写作）。
边界
- 提取的嵌入图不含上下文——整页渲染（
--pages）能看图和正文的相对位置，更可靠 - 提图后记得清理临时图目录（提取的是副本，原文件不动）
- pandoc 装于用户级 AppData（winget 装后 shell PATH 可能未刷新，office_tools 已兜底全路径）
- 设计感/复杂版式 PPT 用 python-pptx 编程兜底（office_tools 目前只包 pandoc 薄封装）
- pptx 公式也是 OMML——python-pptx 读不出方程文本，属库限制非内容丢失
自进化日志
| 日期 | 学习来源 | 吸收的模式 |
|---|---|---|
| 2026-08-06 | 需求调研 | Excel 优先；组会读 Obsidian 笔记不做 PPT；Word/PPT/PDF 留给其他课程需要 |
| 2026-08-06 | 提图实现 | PDF 图 → extract PNG → vision.py 读（CircuitFusion 实测通过）；bin junction 缺失已补（skills/bin → repo bin） |
| 2026-08-06 | 图的价值分层 | 两阶段过滤：免费层（尺寸/文件大小/位置/[CAP] Figure 标题邻近）滤 ~88% 装饰图；classify 用 vision 二次揪出漏网图标（256×256 火焰/雪花）；只对幸存图花 vision |
| 2026-08-06 | LaTeX 源包拿原图 | extract_image 原始字节会拿复合图碎片（Code|Graph 只剩 Graph）——弃用；extract 区域渲染作回退；首选 arXiv 源码包（arxiv_fetch.py source，作者原图无渲染损耗、矢量保持） |
| 2026-08-11 | 写作模块落地 | Pandoc 路线（winget 装 3.10.1）；md2docx/md2pptx 薄封装进 office_tools；公式 docx/pptx 双出原生 OMML 方程（实测冒烟）；Marp/Slidev pptx 导出=逐页扁平图片不可编辑→排除；reference.docx 预设中文字体（style_reference_docx.py：宋体正文/黑体标题/首行缩进2字符/1.5倍距） |
| 2026-09-12 | 宿主模型获得原生视觉（DeepSeek V4.1+） | 本技能「看图」一节原先的前提是"模型无视觉，靠 vision 代理"，该前提已失效——原生 read_image 可直接读图。改法：默认走原生读图（更快、无外部依赖、可多图同看）；vision.py 从"代眼"重新定位为跨模型第二意见（仅在需要与作者模型不同的独立判断时用）。未删除 vision.py：验证环要的是独立模型，同模型自评会继承同一套盲点，所以它的价值从"代眼"转移到"独立性"。免费两阶段过滤仍然保留——它省的是看图次数，与用哪种读图方式无关 |