法律材料整理
坚持“先入库,再分析”。把新材料转成可阅读、可追溯、可移交的标准化材料包,但不越界代替案情分析或法律意见。新材料不论是单个可读文件还是混合材料包,均先进入本 Skill;后续法律语义判断交给 legal-case-analysis 等分析 Skill。
职责边界
执行以下工作:
- 下载外链、清点目录、单文件、压缩包和聊天导出件,记录来源链。
- 为需要预处理的材料选择 OCR、ASR、视觉理解或正文提取能力。
- 区分材料原文、AI 归纳和待人工确认事项。
- 生成材料清单、文件夹级材料说明和根级综合整理说明。
- 经用户确认后归类、移动或重命名,并回写路径映射。
不要执行以下工作:
- 不直接判断案件事实成立与否、争议焦点、证明目的、责任或诉讼策略。
- 不把内容注解写成正式法律意见、起诉状、答辩状或代理词。
- 不对无法辨认的主体、日期、金额、文件性质或材料关系作确定性推断。
- 不在未确认范围内上传、发送、公开或跨项目复制客户材料。
输入
必需输入
- 一个用户明确指定的本地文件、目录、压缩包或聊天导出件。
- 用户希望执行的范围:仅清点、清点并理解、或理解后整理。
可选上下文
| 字段 | 用途 |
|---|---|
| 案件类型 | 帮助识别材料常见角色,不用于直接下结论 |
| 当事人角色 | 区分材料来源方和沟通对象 |
| 核心事项 | 帮助生成中性注解 |
| 需求方材料清单 | 用于核对缺项和完整性 |
| 案件目录根路径 | 确定新材料应写入的既有案件结构 |
缺少上下文时仍可做客观清点和通用摘要;需要上下文才能解释的内容标记“待人工确认”。
新材料接收与案件结构适配
- 先确定目标案件根目录:新材料已位于案件目录内时,以该目录为根;新材料在独立交付目录时,仅当用户明确指定案件根目录才写入该案件。
- 整理前只读盘点目标案件根目录的一级结构、既有材料清单和管理文件,推断当前项目实际采用的分类、编号和命名习惯。
- 已有案件结构优先。不得因为识别到 new-case、商标、专利或其他预设就重建一套目录;仅在现有结构没有可容纳类别且用户确认后新增最小目录。
- new-case 生成的目录和个人本地规范只是可识别的结构合同之一。本 Skill 读取这些结构即可,不强制调用、创建或交接 new-case。
- 单个可读文件同样执行登记、内容确认、归类、命名和路径映射;不得因文件少或当前可读而跳过入库身份。
- 交付给分析 Skill 的默认入口是整理后的可读材料、材料清单和路径映射;法律证据标签、证明力评分和风险判断不由本 Skill 输出。
输出与存储
人工交付物
默认只在源材料目录写入 Markdown:
材料清单.md{文件夹名称} - 材料说明.md{源目录名称} - 材料综合分析.md
这些文件只展示 display_code(如 A001、B003),不展示后台 material_id。
元数据归档与工作目录
把元数据与真实材料工作副本分开:
<源材料父目录>/
├── <源材料>/
└── .legal-material-organizer/<源材料名称>/
├── archive/
│ └── YYYYMMDD_HHMMSS_<名称>/
│ ├── materials_manifest.json
│ ├── filing_plan.json
│ ├── renaming_map.json
│ ├── run_meta.json
│ └── 材料清单.md
└── work/
└── extracted_containers/遵守以下约束:
<!-- skill-lint:constraint STORAGE-SEPARATION -->- Skill 包内的
archive/只保留.gitignore与.gitkeep,不得存放真实材料或运行记录。 - 运行时
archive/只保存结构化元数据和 Markdown 投影,不复制图片、录音、视频、PDF、办公文档或 OCR 全文。 - 解压产生的真实文件只进入
work/;每次扫描前重建其中的extracted_containers/,避免累计膨胀。 - manifest 仍可能含文件名、路径、指纹和摘要,属于敏感元数据,不要随 Skill 发布或上传。
- 使用
--archive-dir、--work-dir可以显式覆盖两个路径。
字段语义以 references/field-dictionary.md 为准,完整结构见 references/output-template.md。
依赖
系统依赖
| 依赖 | 适用功能 | 安装方式 |
|---|---|---|
| Python 3.10+ | 扫描、编目、chat-html 抽取 | 系统 Python 或官方安装包 |
7z 或 unar(可选) |
经用户确认后解压 RAR/7z | macOS: brew install sevenzip 或 brew install unar<br>Linux: sudo apt-get install p7zip-full |
Python 包
核心脚本只使用标准库,无需安装第三方 Python 包。RAR/7z 默认只标记为“待外部解压”;确认使用本机外部解压器后,再传入 --allow-external-extractor。缺少 7z/unar 时其他扫描继续执行。
权限与安全边界
- 只读取用户明确指定的源材料和目标案件根目录;写入路径仅限源目录 Markdown 投影、用户确认后的目标案件分类目录与既有路径引用、显式指定的
archive-dir与work-dir。 - 可选外部解压器仅以参数数组调用
7z或unar,不通过 shell 拼接命令。 - 清理操作仅限本次运行控制的
work/extracted_containers/,不删除源材料或用户其他目录。 - 任何由本 Skill 编排的外链下载必须先获得用户确认,仅接受公网 HTTP/HTTPS 或受限
data:image;主机名须经 DNS 解析且全部指向公网地址,连接固定到已校验 IP(TLS SNI 与 Host 仍用原主机名),每一跳重定向目标同样复核且不得离开已确认主机及其子域,并设置单资源大小上限、目标路径边界、失败与人工复核留痕。 - chat-html 下载使用内置实现执行上述合同;其他网页读取或留痕能力必须证明满足同等网络边界后才可执行,否则仅导出
need_web_capture任务并保留待人工复核状态。
快速开始
先运行编目脚本:
python3 scripts/scan_materials.py "/path/to/案件材料"常用选项:
python3 scripts/scan_materials.py "/path/to/案件材料" --no-write-md
python3 scripts/scan_materials.py "/path/to/案件材料" --no-expand-archives
python3 scripts/scan_materials.py "/path/to/案件材料" --allow-external-extractor
python3 scripts/scan_materials.py "/path/to/案件材料" --fresh
python3 scripts/scan_materials.py "/path/to/案件材料" \
--archive-dir "/path/to/metadata" \
--work-dir "/path/to/work"该脚本只负责扫描、解包、编目和 chat-html 资源识别;不自动完成 OCR、ASR、视觉理解、批量移动或重命名。
工作流程
1. 确认范围与副作用
- 确认输入路径、材料范围和是否包含多个案件。
- 确认目标案件根目录;无法确认时只在源材料范围内清点,不跨目录写入。
- 确认执行到哪一步;用户说“只要 OCR”“不用整理”时跳过移动与重命名。
- 在下载外链、批量移动、批量重命名或创建文件夹快照前说明目标路径和影响。
- 提醒含个人信息、商业秘密或未脱敏聊天记录的材料不要直接对外发布。
2. 扫描、拆包与编目
运行 scripts/scan_materials.py,检查退出码和真实生成物。
为每份材料维护:
material_id:后台稳定身份,仅保存在 manifest。display_code:人工交付物中的展示编号。original_display_path:首次扫描路径。display_path/organized_path:当前或整理后路径。source_chain:容器与内部文件的来源关系。
每份材料必须使用唯一 material_id,并让展示编号、变体、材料组、父子来源和后续候选都引用存在的材料记录。
压缩包保留原包不动。解压内容进入独立 work/,不要进入 Skill 包或元数据归档。
若新材料属于既有案件,先记录目标案件根目录中的现行目录树、材料清单和编号上限;后续 material_id、display_code 和目标路径必须与该现状兼容。
3. 提取内容
按 references/material-source-matrix.md 选择处理能力:
- 图片、截图、扫描 PDF:OCR;必要时补视觉理解。
- 文本型 PDF、Word、PPT、表格:直接提取可读内容。
- 音视频:ASR;必要时补关键帧说明。
- 聊天记录:识别参与者角色、时间范围和话题,不推断未显示身份。
- 网页或外链:先确认是否允许联网和下载;执行能力必须满足统一公网、固定 IP、重定向、大小与落盘边界,完成后留存来源、指纹与失败状态。
本 Skill 不自行检测 PDF 文字层,也不内置 OCR、ASR、视觉理解、网页读取或办公文档解析。先导出工具中立的待处理任务,再交给当前环境中合适的可用能力;具体能力自行决定识别或提取方法:
python3 scripts/material_processing_handoff.py export \
--manifest "/path/to/materials_manifest.json"处理产物必须写入 manifest 所列 work_dir。按 references/field-dictionary.md 准备结果 JSON 后统一回写:
python3 scripts/material_processing_handoff.py record \
--manifest "/path/to/materials_manifest.json" \
--result "/path/to/result.json"<!-- skill-lint:constraint PROCESSING-CLOSURE -->
成功结果必须同时关联材料、预处理候选、处理运行和主可读变体;失败或部分可读结果必须保留原因并进入人工复核。不得仅修改状态字段来冒充处理完成。
<!-- skill-lint:constraint UNCERTAINTY-ROUTING -->可读性未知、部分可读或仍需预处理的材料,必须生成后续处理候选或明确的人工复核标记。
4. 生成材料说明
按文件夹生成 {文件夹名称} - 材料说明.md。每条材料至少区分:
- 原始文件与展示编号。
- 可回溯的提取文字或内容摘要。
- AI 归纳,明确标识为“注解”。
- 识别失败、冲突或不确定项。
自解释文件可只保留提取结果;截图、聊天片段、照片等需要上下文的材料才追加中性注解。不要把“可能关联”写成已证明的事实。
5. 汇总与完整性核对
子文件夹完成后再生成父级摘要;全部材料完成后,按 references/comprehensive-analysis-template.md 生成根级综合整理说明。
综合说明只回答:
- 收到哪些材料、来自哪里、当前可读性如何。
- 哪些材料互相关联,依据是什么。
- 哪些材料缺失、重复、损坏、无法识别或需要补充。
- 哪些内容应交给后续案情分析或证据分析 Skill。
6. 生成并确认整理计划
先按 references/organization-and-naming-rules.md 生成 filing_plan.json 和 renaming_map.json,再向用户展示变更摘要。
未经用户确认,不批量移动或重命名。执行前确保:
- 压缩包来源保留原包。
- 文件夹来源存在用户认可的快照或其他可恢复方案。
- 目标路径无冲突;冲突时停止并列出清单。
- 不移动来源不明或识别不清的材料。
- 目标分类来自当前案件目录的既有结构;确需新增目录时已单独说明理由。
7. 执行整理并回写
确认后再创建分类目录、移动或重命名文件。执行完同步更新:
materials_manifest.jsonfiling_plan.jsonrenaming_map.json材料清单.md- 受路径变化影响的材料说明
- 既有管理文件中仅受路径变化影响的材料清单或路径栏位(如
trademark-info.md、patent-info.md、consultation-info.md)
重新扫描实际目录,核对文件总数、相对路径集合和缺失记录;不要只采信计划文件中的 applied: true。
管理文件回写只修正展示路径和文件引用,不改写时间线、法律判断、任务状态或 case.yaml;需要进入案件状态库的路径变更另行输出映射,由 case-progress 的写入引擎处理。
chat-html 专项路径
识别 Cubox、微信、企微或钉钉等聊天 HTML 导出件时,先读取 references/chat-html-extract.md。
默认只识别和生成 dry-run 清单:
python3 scripts/scan_materials.py "/path/to/chat.html" --chat-html-dry-run只有用户确认域名、资源数量和下载目录后,才执行:
python3 scripts/scan_materials.py "/path/to/chat.html" --chat-html-download下载器只接受公网 HTTP/HTTPS 或受限的 data:image,拒绝 file://、localhost、私网字面地址、伪造白名单域名和超过 100MB 的单个资源;同名文件使用序号避让,不覆盖既有文件。
阻断条件与人工复核
出现以下任一情况时,任务保持未完成:
- 输入路径不存在、扫描退出码非零或关键输出缺失。
- manifest 的材料数量与实际扫描集合不一致且无法解释。
- 解压出现路径穿越、符号链接、硬链接、设备文件或越界写入。
- 下载资源数为 0、下载失败或被拒绝,却未写入复核原因。
- OCR/ASR/视觉理解失败,却把材料标记为已理解。
- 移动或重命名后,文件总数、路径映射或 Markdown 引用无法对账。
- 输出混淆原文、AI 归纳和法律判断。
- 真实材料、运行归档、缓存或具名 benchmark 进入 Skill 发布包。
完成验收
交付前执行:
PYTHONDONTWRITEBYTECODE=1 python3 -m unittest discover -s scripts -p 'test_*.py' -v
python3 scripts/validate_release.py
python3 scripts/check_material_manifest.py --input "/path/to/materials_manifest.json"公开候选冒烟测试可使用 examples/mixed-material-pack;该示例只包含合成材料,用于验证扫描、manifest 生成和处理任务导出。
并人工核对:
- 所有引用文件可达,
SKILL.md不超过 500 行。 - Skill 内
archive/只有.gitignore与.gitkeep。 - 无
docs/、evals/、__pycache__/、.DS_Store或真实案件材料。 version、CHANGELOG 与脚本版本一致;许可证为 CC BY-NC。- 源目录交付物、元数据归档和真实材料工作区边界清楚。
- 任何未动态验证的 OCR、ASR、视觉语义或完整性判断标记
NOT_VERIFIED或“待人工确认”。
参考文件路由
- 需要字段定义时读取 references/field-dictionary.md。
- 需要输出结构时读取 references/output-template.md。
- 需要处理路由与逐步检查时读取 references/material-processing-checklist.md。
- 需要材料类型策略时读取 references/material-source-matrix.md。
- 需要命名与整理规则时读取 references/organization-and-naming-rules.md。
- 需要根级综合整理说明时读取 references/comprehensive-analysis-template.md。
- 需要 chat-html 识别、白名单和下载规则时读取 references/chat-html-extract.md。