核心功能与定位
Office Document Assistant 是一款面向多格式办公文档的智能解析工具，支持 PDF、Word、Excel、PowerPoint 的全文提取、结构化摘要与多文档对比。该技能采用"提取脚本优先、OCR 兜底"的混合策略：对现代格式（.docx/.xlsx/.pptx/.pdf）直接调用 Python 库解析文本层；对扫描版 PDF 或图片文档，自动触发 Tesseract OCR 流程（优先中英双语识别）；对遗留格式（.doc/.xls/.ppt）则通过 LibreOffice 转换或 antiword/catdoc 等工具链降级处理。
显著优点
格式覆盖全面：单技能覆盖企业场景 90% 以上的文档类型，无需用户手动转换。
成本可控的 OCR 策略：先尝试嵌入式文本提取，仅在文本层缺失或过短时启用 OCR，兼顾速度与成本。
结构化输出：内置 JSON 格式的统一输出 schema（type/extraction/warning/truncated/text），便于下游自动化处理。
灵活的摘要层级：默认输出"一句话概述 + 3-8 条要点"，支持按需展开为逐页/逐页注释、字段提取或对比矩阵。
潜在局限与风险
非所见即所得：明确声明不保留原始排版、分页、图文混排布局，复杂表格可能呈现为线性文本。
视觉内容盲区：图表、示意图、图像中的信息需额外视觉模型处理，本技能仅作基础文本 OCR。
依赖链复杂：完整功能需要 Python 生态 + 系统工具（poppler/tesseract/libreoffice）双重就绪，容器化部署时镜像体积较大。
加密与跟踪修订不支持：密码保护文档、修订模式标记、公式审计等高级功能不在处理范围。
中文 OCR 质量波动：Tesseract 对复杂版式或低质量扫描件的中文识别准确率不如商业云 API。
适用人群
- 需要快速掌握长文档/多文档核心信息的知识工作者
- 处理合同、标书、财报等批量文件的企业法务、财务、投研人员
- 构建文档自动化 pipeline 的开发者（可利用其 JSON 输出做二次开发）
常规风险提示
隐私与合规：本地运行虽避免云端传输，但提取的敏感文本仍可能进入模型上下文，需确认企业数据出境/留痕政策。
准确性验证：关键数据（金额、日期、人名）务必人工复核，不可直接用于自动化决策。
OCR 误识别风险：扫描件中的数字、字母、标点易被误读，金融场景建议开启置信度阈值或人工抽检。
综合评价
该技能是"务实派"文档处理方案——在完整保留商业 OCR 服务灵活性之前，以开源工具栈提供了 80% 场景够用的解析能力，特别适合对数据主权敏感、需要离线部署或成本敏感的用户。其清晰的 capability boundary（能力边界）文档也体现了工程上的诚实，建议用户在使用前完整阅读 limitations 章节以设定合理预期。