Appearance
能力展示
grobid-docling-pdf 把论文或技术 PDF 转成结构化 XML、图表图片和可追溯解析包，让后续 Agent 能稳定做论文理解、PPT、报告或技术分析。
| 输入 | 输出 | 最关键效果 |
|---|---|---|
| 论文 PDF、GROBID 服务地址、解析选项 | TEI/XML、图片/表格目录、中间结果归档、校验状态 | PDF 变成 Agent 可复用的材料包 |
最新真实交付示例
示例来自 2026-10-16 08:00（北京时间）的 CCN 快报本地归档，来源标识 DSH-20261013-049。上图是 RSI-Anything 论文的 picture_002.png，XML 中对应 PDF 第 2 页、Figure 1 图注。点击下面的浏览页，可以查看全部原始 PNG、页码、XML ID、图注和来源。
本轮直接复用已经完成的最终解析包，没有重新解析 PDF。原始运行的 XML 记录为 GROBID 0.8.2、2026-10-16 00:18 UTC；下面的计数来自本轮对 XML 和实际 PNG 目录的重新校验。
| 材料项 | 本例结果 |
|---|---|
| 最终 XML | 1 份 |
images/picture_*.png | 13 个图像块 |
images/table_*.png | 4 张表格图片 |
| 图片索引校验 | valid: true；17 张被索引，缺失引用 0，未索引图片 0 |
| 正文关联 | 11 处正文 ref 关联到 8 张图片，另 9 张仅存在于图片索引 |
picture 数量是 Docling 导出的图像块数，其中可能包含标识和同一幅论文图的分块，不能解释为论文有 13 幅编号 Figure。索引完整也不意味着每张图片都有准确的正文语义或位置关联。
示例来源与可打开证据
输入论文是 RSI-Anything: Unlocking Recursive Self-Improvement with World Models（arXiv:2610.13912v1），可打开原始 PDF及官方项目页。XML 内的标题和 arXiv ID 与一手来源一致，输入 PDF 的 MD5 与 XML 中的 idno type="MD5" 一致。
公开示例保留 1 份最终 XML、17 张原始 PNG 和浏览/来源索引；XML 与 PNG 原样复制并核对 SHA-256，没有重绘图表。中间归档 ZIP、内部审阅笔记、运行日志和本机路径没有公开；归档交付属于当前流水线契约，不应从本例链接推断已公开全部中间结果。具体数量和质量取决于输入 PDF 与 Docling 导出结果。
适合场景
- 论文 PDF 需要交给 Agent 做深度理解。
- 生成 PPT 前，需要先把正文、图和表整理清楚。
- 技术 PDF 需要保留章节、引用、参考文献和图表。
- 后续分析需要能追溯解析过程。
使用方式
你可以直接说：
text
请解析这篇论文 PDF，整理正文、引用、图和表，给后续分析使用。或者：
text
请把这篇技术 PDF 变成 Agent 可以继续处理的结构化材料包。处理过程
- 读取 PDF 和解析配置。
- 用 GROBID 抽取论文结构、正文、引用和参考文献。
- 用 Docling 导出页面中的图片和表格。
- 合并文本结构与图表索引。
- 运行校验，确认材料包是否完整。
交付物
| 交付物 | 用途 |
|---|---|
final/*.xml | 给 Agent 读取的结构化正文 |
final/images/ | 单独导出的图片和表格 |
*.intermediate_parse_results.zip | 追溯中间解析过程 |
| 校验状态与摘要 | 命令输出会打印 valid 和各项计数，用于判断流水线是否成功 |
*.intermediate_parse_results.zip 中的 validation JSON | 保留详细校验结果，供追溯；默认不会在 final/ 中生成独立校验报告 |
展示覆盖
| Case | 输入 | 输出 | 证明的能力 |
|---|---|---|---|
| RSI-Anything 真实解析材料包 | 论文 PDF | 公开 XML、13 个图像块、4 张表格图、来源索引和浏览页 | 结构化正文与完整图片索引可供下游 Agent 使用；正文关联覆盖按本例 8/17 如实呈现 |
能力边界
- GROBID 服务是默认流水线的必需依赖；只完成本地包预检不能生成最终材料包。
- born-digital PDF 默认不开 OCR，扫描版需要显式启用
--ocr；OCR 或解析成功不等于内容逐字无误。 - 最终 XML 保证 Docling 导出的最终 PNG 被索引且引用路径可解析，但不保证每张图片都有准确的正文位置引用；应结合
indexed_without_body_ref判断。 - 该 skill 不评价论文结论、不替代人工事实核验，也不承诺复杂公式、跨页表格或异常版式能被完美还原。
- 默认最终目录只包含 XML 和图片。校验摘要在命令输出中，详细校验 JSON 位于中间归档，不应把不存在的独立
final/校验报告列为交付物。