核心用法
Office Document Assistant 是一款面向办公场景的多格式文档解析技能，支持 PDF、Word（.doc/.docx）、Excel（.xls/.xlsx）和 PowerPoint（.ppt/.pptx）的文本提取与结构化分析。用户上传文档后，系统自动调用捆绑的 Python 脚本（extract_office_text.py）进行确定性文本提取，优先提取内嵌文本，PDF 遇扫描件时自动降级至 OCR 识别。
典型使用场景包括：生成文档摘要、提取关键字段（日期、金额、联系人、行动项）、输出逐页/逐页大纲、解析表格结构、以及多文档内容对比。输出格式默认为一句概述 + 3-8 个要点，支持按需扩展为详细分析。
显著优点
1. 多格式统一处理：单技能覆盖四大主流办公格式，无需切换工具链。
2. 分层降级策略：PDF 先尝试 pypdf 内嵌文本提取，失败自动触发 OCR（支持中英双语），兼顾效率与兼容性。
3. 结构化输出：JSON 中间结果包含 type/extraction/warning/truncated/text 等字段，便于程序化调用。
4. 依赖灵活配置：现代文档仅需 Python + 4 个核心包；完整环境追加 Poppler、Tesseract、LibreOffice 即可处理扫描件与 legacy 格式。
5. 清晰的边界声明：明确告知用户不保留原始版式、不解析复杂图表、不处理加密文件，降低误用风险。
潜在缺点与局限性
- 版式信息丢失：纯文本优先策略导致表格错位、分栏混乱、字体层级消失。
- 图表与图像理解弱：无法解释示意图、流程图、数据可视化的视觉含义。
- OCR 质量受限于训练数据：手写体、低分辨率扫描件、复杂排版识别率不稳定。
- Legacy 格式依赖外部工具：.doc/.xls/.ppt 需 LibreOffice 转换，增加环境复杂度。
- 无公式审计能力：Excel 仅提取单元格值，不解析公式逻辑与依赖关系。
适合人群
- 知识工作者：快速消化合同、报告、会议纪要等长文档。
- 数据分析师：批量提取 Excel 表格字段进行后续清洗。
- 合规与法务：多文档版本对比、关键条款定位。
- 开发者：通过 JSON 接口集成文档解析能力至自动化工作流。
常规风险
- 敏感信息泄露：处理含机密内容的文档时，需确认执行环境的数据隔离策略。
- OCR 误读导致决策偏差：关键数字、人名识别错误可能引发业务风险，建议高价值场景人工复核。
- 依赖缺失导致解析失败：生产环境若未安装 Tesseract 或 LibreOffice，遇到扫描 PDF 或旧版 Office 文件将直接报错。
- 截断风险：默认输出有长度限制，超长文档可能被截断，需显式调整
--max-chars参数。