Paper Summarize PDF To Feishu

paper-summarize-pdf-to-feishu

将 PDF 文件完整阅读后生成结构化总结，写入飞书文档，并将论文 Figure 精确插入对应章节。 含多模型审核 + 配置确认 + 人工确认机制，确保最终输出质量。

前置依赖

系统工具

OpenClaw 插件

¹ OpenClaw 官方插件与主程序同步发布，版本号一致

检查依赖：

# 检查系统工具
which pdftotext pdfinfo pdfimages pdftoppm tesseract jq || \
  sudo apt-get install -y poppler-utils tesseract-ocr tesseract-ocr-eng tesseract-ocr-chi-sim jq

# 检查版本
pdftotext -v  # 应显示 poppler-utils 版本
tesseract --version  # 应显示 tesseract 版本
jq --version

完整工作流程（六阶段）

阶段零：去重检查

目标：避免重复处理，智能识别补充材料并合并

0.1 提取元数据

scripts/extract_metadata.sh <input.pdf> "$TEMP_DIR/metadata.json"

提取内容：

• DOI（优先，用于唯一标识）
• 标题、作者、发表年份
• PDF 文件哈希（用于精确去重）
• 生成 paper_id：<DOI> 或 hash_<指纹>

0.2 检查是否已处理

scripts/check_duplicate.sh "$TEMP_DIR/metadata.json" "$PAPERS_DIR"

判断逻辑：

收到 PDF → 计算 paper_id → 查询 papers/ 目录
  ├─ 不存在 → 新论文，创建文件夹，进入阶段一
  ├─ 存在 + PDF 哈希相同 → 完全重复，跳过并告知用户
  ├─ 存在 + DOI 相同但哈希不同 → 同文章不同版本，询问是否更新
  └─ 存在 + 判断为补充材料 → 合并到 supplements/，追加到飞书文档

0.3 补充材料识别规则

文件名包含以下关键词视为补充材料：

• supplement, suppl, _si_, supporting, appendix

DOI 包含 .supp 或 supplementary 也视为补充材料。

0.4 文件夹结构

papers/
├── 10.xxxx-xxxxxx/                      # DOI 作为 ID（优先）
│   ├── metadata.json                    # 元数据（DOI、标题、作者等）
│   ├── paper.pdf                        # 主文章
│   ├── paper.txt                        # 提取的全文文本
│   ├── feishu_doc_token.txt             # 飞书文档 token
│   ├── summary.md                       # 总结文档
│   ├── versions.json                    # 版本历史（如有更新）
│   ├── images/                          # 提取的 Figure/Table
│   └── supplements/                     # 补充材料
│       ├── 20260326_120000_suppl1.pdf
│       ├── 20260326_120000_suppl1_meta.json
│       └── 20260326_120000_suppl1.txt
│
└── hash_xxxxxxxxxxxx/                   # 无 DOI 时用指纹哈希
    └── ...

阶段一：生成

1. 创建论文专属文件夹

PAPER_DIR=<OpenClaw 工作目录>/papers/<paper_id>
mkdir -p "$PAPER_DIR"/{images,supplements}
cp <input.pdf> "$PAPER_DIR/paper.pdf"
cp "$TEMP_DIR/metadata.json" "$PAPER_DIR/metadata.json"

2. 智能提取 PDF 文本

scripts/extract_pdf_text.sh "$PAPER_DIR/paper.pdf" "$PAPER_DIR/paper.txt"

策略：pdftotext → 检测字符密度（≥50 字符/页正常，<50 走 OCR 回退）

3. 分段完整阅读

用 read 工具每次 500 行，直到读完全文。

关键要求：必须读完全文再总结，不要只读摘要或部分内容。

4. 生成结构化总结

学术论文结构：

# 总结：<论文标题>

> 原文标题 / 发表日期 / 机构

---

## 📊 论文统计
- 总字数 / 总页数
- Figure（正文）：X 张
- Figure（附录）：X 张
- Table（正文）：X 张
- Table（附录）：X 张

---

## 一、研究背景与动机
## 二、研究设计
## 三、方法/系统架构
## 四、核心结果
### 4.1 结果 A
### 4.2 结果 B
## 五、讨论与局限性
## 六、结论
## 七、关键数据速览

5. 创建飞书文档并写入

{
  "action": "create",
  "title": "总结：<文档标题>",
  "owner_open_id": "<用户的 open_id>"
}

{
  "action": "write",
  "doc_token": "<doc_token>",
  "content": "<Markdown 格式总结>"
}

保存 feishu_doc_token.txt 以便后续补充材料合并时使用。

阶段一（补充）：补充材料合并

如果阶段零判断为补充材料，执行以下流程：

# 读取已有的飞书文档 token
DOC_TOKEN=$(cat "$PAPER_DIR/feishu_doc_token.txt")

# 步骤 1：合并补充材料（文件层面）
scripts/merge_supplement.sh "$PAPER_DIR" "<supplement.pdf>" "$DOC_TOKEN"

# 步骤 2：追加到飞书文档（调用 feishu_doc 工具）
feishu_doc action=append doc_token="$DOC_TOKEN" content="
## 📎 补充材料：$(basename $SUPPLEMENT_PDF)
- 添加时间：$(date +%Y-%m-%d %H:%M)
- 摘要：$(cat $SUPP_TXT | head -20)
"

合并逻辑：

1. merge_supplement.sh 负责文件层面操作：
   • 复制补充材料到 supplements/ 目录（带时间戳命名）
   • 提取补充材料的元数据（_meta.json）
   • 提取简要摘要（.txt）
2. Agent 调用 feishu_doc 工具追加内容到飞书文档
3. 更新 versions.json 记录（待实现）

注意：merge_supplement.sh 不直接操作飞书文档，仅准备文件和数据。飞书文档更新由上层 Agent 调用 feishu_doc 工具完成。

阶段二：配图（Figure/Table 提取与验证）

6. 定位 Figure/Table 页码

scripts/locate_figures.sh "$PAPER_DIR/paper.pdf" "$PAPER_DIR/paper.txt" "$PAPER_DIR/images"

脚本会：

1. 用 grep 找到所有 Figure/Table 标题行
2. 根据行号估算页码
3. 对估算页码 ±2 页范围截图（候选页面）

⚠️ 注意：行号→页码是粗略估算，必须经过审核验证！

7. 验证截图（关键步骤）

对每个 Figure 的候选截图逐张审核：

for each Figure:
  1. read 候选截图
  2. 判断：图中是否包含目标 Figure？
     - ✅ 包含 → 记录正确页码，复制为 Figure_XX_full.png
     - ❌ 不包含 → 检查相邻页面
  3. 如果所有候选页面都不对 → 扩大搜索范围

验证标准：

• ✅ 截图中必须可见 "Figure X" 或 "Table X" 标题文字
• ✅ 截图中必须包含图表内容（非纯文字页面）
• ✅ 复合图（多子图拼合）应作为完整页面保留

如果截图是纯文字：

1. ❌ 不要使用该截图
2. 检查相邻页面（±3 页范围）
3. 检查文本提取是否有误（Figure 标题可能在图片中无法提取）
4. 手动浏览 PDF 定位：pdftoppm -f X -l X paper.pdf output

8. 插入图片到对应章节

精确定位：

{
  "action": "upload_image",
  "doc_token": "<doc_token>",
  "file_path": "<图片路径>",
  "parent_block_id": "<doc_token>",
  "index": <目标索引>
}

技巧：从文档末尾往前插（倒序），避免索引偏移。

阶段三：审核（多模型审核）

核心思想：直接使用 fallback 模型审核 → 告知用户 → 主模型审查 → 人工确认

9. 读取模型配置并启动审核

# 读取 OpenClaw 配置文件
CONFIG_FILE=<OpenClaw 配置文件路径>

# 提取 fallback 模型列表（取第一个作为审核模型）
FALLBACK_MODEL=$(jq -r '.agents.defaults.model.fallbacks[0]' "$CONFIG_FILE")

# 确认配置并启动审核
if [ -z "$FALLBACK_MODEL" ] || [ "$FALLBACK_MODEL" = "null" ]; then
  echo "⚠️ 未配置 fallback 模型，将使用主模型自审"
  # 降级方案：使用主模型重新阅读 PDF + 文档进行自审
  sessions_spawn task="请审核这份飞书文档与原始 PDF 的一致性..."
else
  echo "✅ 使用 fallback 模型进行审核：$FALLBACK_MODEL"
  # 告知用户审核模型
  echo "📋 已启动审核流程，使用模型：$FALLBACK_MODEL"
  sessions_spawn task="请审核这份飞书文档与原始 PDF 的一致性..." \
    model="$FALLBACK_MODEL"
fi

注意：

• 优先使用配置中的 fallback 模型
• 不需要用户确认，直接启动审核
• 审核前告知用户使用的模型即可

审核内容：

1. 文档章节完整性
2. Figure 是否正确显示（非纯文字）
3. 关键数据准确性（百分比、p 值、置信区间）
4. 格式和错别字检查

10. 生成审核报告

审核报告包含：

• 字数对比（原始 PDF vs 飞书文档）
• 章节完整性检查
• Figure/Table 清单核对
• 关键数据提取（百分比、p 值、样本量等）
• 修改建议清单（逐条列出）

11. 主模型审查审核意见

主模型审查流程：

1. 阅读审核报告
2. 逐条审查修改建议：
   - ✅ 合理建议 → 标记为"采纳"
   - ❌ 错误建议 → 标记为"拒绝"并说明原因
   - ⚠️ 需确认 → 标记为"待用户确认"
3. 生成最终修改方案

注意：

• 不照单全收审核意见
• 主模型对最终质量负责
• 有争议的建议提交用户确认

阶段四：人工确认

12. 提交用户确认

向用户发送：

• 飞书文档链接（初版）
• 审核报告摘要
• 修改建议清单（标注采纳/拒绝/待确认）
• 确认提示：

📋 文档已完成初稿和审核

✅ 已完成的修改：X 处
⚠️ 待您确认的修改：Y 处
❌ 拒绝的修改：Z 处（原因：...）

请查看文档后回复：
- "确认" → 应用所有修改，输出最终版
- "修改 XXX" → 指定需要调整的内容
- "跳过" → 直接输出当前版本

13. 等待用户确认

用户回复处理：

• ✅ "确认" / "没问题" / "可以" → 进入阶段五（完善）
• ✏️ "修改 XXX" → 根据用户要求修改后重新提交确认
• ⚠️ "跳过" / "直接输出" → 跳过修改，进入阶段五

阶段五：完善

14. 应用最终修改

根据用户确认的修改方案：

• 补充遗漏的章节
• 修正错误的数据
• 添加缺失的 Figure/Table
• 优化格式和表述

格式标准化检查清单（必须逐项核对）：

• 文档开头：引用块包含标题、期刊、DOI、作者、接受日期
• 论文统计：使用表格格式，包含所有必填指标
• 章节标题：使用统一的标题层级（H1 → H2 → H3）
• 关键数据：加粗重要数值，补充置信区间
• 表格：所有数据表格使用统一样式
• 图片：Figure 插入到对应章节后
• 相关链接：包含原文、补充材料、数据平台、预注册链接
• 署名信息：文档末尾必须包含撰写人和审核人（见步骤 17）

15. 最终检查

• 通读飞书文档，检查格式、错别字
• 确认所有链接可点击
• 确认图片显示正常
• 核对格式检查清单（见步骤 15）

16. 添加署名信息（强制）

在文档末尾添加署名块（必须包含）：

---

## 📝 文档信息

| 项目 | 信息 |
|------|------|
| 撰写人 | <Agent 名字>（<主模型名称>） |
| 审核模型 | <审核模型名称> |
| 审核状态 | ✅ 已通过 |
| 生成时间 | YYYY-MM-DD HH:MM |
| 文档版本 | v1.0 |

---

*本总结由 AI 助手自动生成，如有问题请指出。*

示例：

撰写人：Lux（qwen3.5-plus）
审核模型：kimi-k2.5
审核状态：✅ 已通过
生成时间：2026-03-26 17:13
文档版本：v1.0

注意：

• 撰写人 = 当前 Agent 的名字（从 IDENTITY.md 或会话上下文获取）
• 主模型 = 生成文档使用的模型（如 qwencode/qwen3.5-plus）
• 审核模型 = fallback 模型（如 qwencode/kimi-k2.5）
• 如果跳过审核，标注"审核状态：⏭️ 已跳过"

17. 返回最终文档

向用户发送：

• 飞书文档链接（最终版）
• 修改摘要（可选）
• 使用说明："如有问题请随时指出，我可以进一步修改"

脚本说明

去重系统

原有脚本

注意事项

去重系统

• DOI 优先：有 DOI 的论文用 DOI 作为唯一标识（/ 替换为 _），无 DOI 时用指纹哈希
• 版本管理：同 DOI 不同版本会提示用户确认是否更新，不会自动覆盖
• 补充材料识别：文件名含 supplement/suppl/_si_/supporting/appendix/moesm/_esm 自动识别
  • 支持 Nature 系列期刊标准命名（MOESM = Materials Online Electronic Supplementary Material）
• 精确去重：PDF 哈希完全相同则跳过，避免重复处理
• 文件夹命名：papers/<paper_id>/，其中 paper_id 为 DOI（/→_）或 hash_<指纹>

补充材料合并

• 文件层面：merge_supplement.sh 复制到 supplements/ + 提取元数据和摘要
• 飞书文档：Agent 调用 feishu_doc action=append 追加"补充材料"章节
• 命名规则：YYYYMMDD_HHMMSS_<原文件名>（带时间戳避免冲突）

配图验证

• 页码估算不可靠：每张截图都要 read 验证
• 优先页面截图：pdftoppm 整页截图 > pdfimages 嵌入图片

多模型审核

• 配置确认：执行前读取 OpenClaw 配置文件中的 agents.defaults.model.fallbacks 配置
• Fallback 模型审核：使用配置中的第一个 fallback 模型进行审核（避免自己审核自己）
• 降级方案：如未配置 fallback 模型，使用主模型重新阅读 PDF + 文档进行自审
• 主模型审查：逐条审查审核建议，不照单全收
• 人工确认：有争议的建议提交用户确认

流程自动化

• 六阶段流程：去重检查 → 生成 → 配图 → 审核 → 人工确认 → 完善
• 补充材料自动合并：识别后追加到主文档的"补充材料"章节
• 审核告知：审核前告知用户使用的 fallback 模型（无需确认）
• 人工确认环节：审核完成后需用户确认再输出最终版
• 格式标准化：使用检查清单确保每次输出格式一致
• 强制署名：文档末尾必须包含撰写人、审核模型、生成时间

输出格式稳定性

为确保每次生成的文档格式一致，必须遵守：

1. 文档结构模板化：

   • 严格按照"一、二、三..."章节编号
   • 每个章节使用 H2 标题（##）
   • 子章节使用 H3 标题（###）

2. 表格样式统一：

   • 所有统计数据使用 Markdown 表格
   • 表格第一行为表头
   • 重要数据加粗（如 **55.0%**）

3. 强制署名：

   • 文档末尾必须包含署名块（见步骤 17）
   • 使用表格格式展示撰写人、审核模型等信息
   • 不得省略或修改署名格式

4. 质量检查：

   • 使用格式检查清单（步骤 15）逐项核对

已知限制（待实现）

• .index.json 索引文件维护
• versions.json 版本历史记录
• 同 DOI 不同版本的用户确认交互

飞书文档图片插入方法

正确用法（已验证）：

# 方法 1：上传到文档根目录，用 index 指定位置（0-based）
feishu_doc action=upload_image \
  doc_token="<doc_token>" \
  file_path="<image_path>" \
  parent_block_id="<文档根 block ID>" \
  index=20

# 方法 2：上传到指定章节下（parent_block_id 为章节 block ID）
feishu_doc action=upload_image \
  doc_token="<doc_token>" \
  file_path="<image_path>" \
  parent_block_id="<章节 block ID>"

注意事项：

• parent_block_id 为文档根 ID 时，index 表示在 children 数组中的位置
• parent_block_id 为章节 ID 时，图片会追加到该章节下
• insert + after_block_id 方式会报错，不推荐使用

注意事项

Token 消耗提醒

请注意 Token 消耗，建议使用包月套餐。

安全说明

环境变量：

• OPENCLAW_WORKSPACE：OpenClaw 工作目录（用于存储论文和临时文件）

配置文件读取：

• 技能会读取 ~/.openclaw/openclaw.json 获取 fallback 模型配置（用于多模型审核）
• 如未配置 fallback 模型，将使用主模型自审

本地存储：

• 论文文本：<OPENCLAW_WORKSPACE>/papers/<paper_id>/paper.txt
• 飞书文档 Token：<OPENCLAW_WORKSPACE>/papers/<paper_id>/feishu_doc_token.txt
• 提取的图片：<OPENCLAW_WORKSPACE>/papers/<paper_id>/images/

系统依赖：

• 脚本可能运行 sudo apt-get install 安装 poppler-utils、tesseract-ocr 等工具（用于 PDF 处理和 OCR）
• 需要 root 权限，请确保在受信任的环境中使用

权限说明：

• 技能需要访问 OpenClaw 配置文件（读取 fallback 模型）
• 技能会调用 sessions_spawn 启动子代理审核（使用 fallback 模型）
• 技能会创建和修改本地文件（论文存储、Token 保存）

版本: 1.0.0
许可证: MIT
作者: yy-fan
最后更新: 2026-03-26