多类型材料处理清单
处理原则
- 先建材料清单,再做预处理,避免边看边丢来源。
- 先处理容器类输入,再处理其中的实际材料文件。
- 先识别内容和命名依据,再用内部命名工作表执行整理。
- 不在本 skill 内做案件事实、争议焦点或证明目的的分析。
- 文件名无法确认时标注
待识别 / 待人工确认。 - 能力中立:只说明材料需要什么处理能力,不绑定具体 Skill、模型、服务或命令。
- 按需注解:自解释文件只保留可回溯的提取文本,需上下文文件再追加注解。
- 三层存储:源材料目录放人工交付物;运行时 archive 只放结构化元数据;解压结果等真实材料副本进入独立 work 目录。Skill 包内 archive 永远保持空骨架。
- 局部 registry:元数据 manifest 同时维护
materials、material_sets、variants、processing_runs、follow_up_candidates,源目录 Markdown 只展示display_code。
工具中立的处理路由
本 Skill 不检测 PDF 文字层,也不执行 OCR、ASR、视觉理解、网页读取或办公文档解析。把待处理材料交给当前环境中合适的可用能力,由该能力自行判断直接提取、文字识别、视觉补充或其他处理方法。
外链或网页任务只有在执行能力能证明满足以下边界时才可联网:用户已确认、仅公网 HTTP/HTTPS、DNS 结果全部公网、连接固定到已校验 IP、每跳重定向复核、单资源大小受限、仅写入显式授权目录、失败和拒绝留痕。否则导出 need_web_capture 任务并保持人工复核,不得降级为任意网页读取。
| 文件类型 | 所需能力方向 | 结果要求 |
|---|---|---|
| 图片 / 截图 / 扫描件 | 文字识别;必要时补充视觉理解 | 可回溯文本或视觉摘要 |
| 文档读取;不能直接读取时使用文字识别或视觉理解 | 可读文本,并记录采用的能力类型 | |
| Word / WPS / 演示文稿 | 办公文档正文提取;图片型页面按需补充识别 | 可读文本或页面摘要 |
| 音频 / 视频 | 音视频转写;必要时补充关键画面理解 | 转写稿或关键画面说明 |
| 表格 / 结构化导出 | 表格或结构化数据读取 | 字段、工作表和数据说明 |
| URL / 网页 | 满足统一网络边界的网页读取或留痕 | 来源、时间、指纹和可读正文或快照说明 |
| 已有文本 | 直接读取 | 不重复处理 |
调用方式:先用 material_processing_handoff.py export 取得待处理任务,再调用当前环境中能满足所需能力的工具。不要引用其他能力的内部脚本路径,也不要把具体工具名称固化进本 Skill。
结果合并原则:
- 可直接提取的原文优先于识别文本。
- 视觉理解只补充版面、场景和非文本信息,并明确标识来源类型。
- 不同通道冲突时保留差异并转人工复核,不自行消除冲突。
- 处理文件写入
work_dir,用material_processing_handoff.py record回写结果。
失败回退策略:
- 当前能力失败时,可改用同类或替代能力重试。
- 只有部分结果时登记为
partial,同时进入人工复核。 - 没有生成可读结果时登记
failed或needs_review,记录失败原因;不得标记为完成。
注解判断表
| 文件类型 | 是否需要注解 | 原因 |
|---|---|---|
| 版权证书、登记证 | 否 | OCR 原文已是结构化信息 |
| 合同正文 | 否 | OCR 原文自解释 |
| 判决书、裁定书 | 否 | OCR 原文自解释 |
| 投诉/举报截图 | 是 | 需要说明是谁在投诉、投诉谁、投诉什么 |
| 社交媒体帖子截图 | 是 | 需要说明帖子内容、发布者、与案件的关联 |
| 聊天记录截图 | 是 | 需要说明聊天双方、讨论主题、与案件的关联 |
| 现场或产品照片 | 视情况 | 可能需要说明可见对象和拍摄背景,不推断证明目的 |
材料类型处理表
| 材料类型 | 预处理动作 | 重点提取信息 | 建议产物 | 风险提示 |
|---|---|---|---|---|
| 音频 / 视频 | 转写或识别关键画面 | 文件主题、录制对象、可确认日期 | 命名依据 + 整理后文件名 | 不在本阶段深入分析发言内容 |
| 录屏 / 画面视频 | 转写音轨,必要时识别关键画面 | 页面标题、操作对象、系统名称 | 画面说明 + 整理后文件名 | 只听音频可能漏掉画面内容 |
| 聊天记录 | 识别聊天对象、导出格式、时间范围 | 会话类型、聊天对象、时间段 | 命名依据 + 待确认项 | 截图不完整时,不应自行补全文义 |
| 图片 / 截图 | OCR + 视觉理解,失败时互相回退 | 画面类型、可见文字、主体、金额、日期 | 图片说明 + 整理后文件名 | 看不清就标待识别 |
| 文本型 PDF | OCR 或文本提取 | 标题、首页、目录、落款 | PDF 命名依据 | 注意页眉页脚不要误判为标题 |
| 扫描件 PDF | OCR | 首页标题、抬头、落款、页数 | OCR + 整理后文件名 | 大 PDF 不宜逐页视觉识别 |
| Word / WPS | OCR 或文档正文提取 | 标题、首段、落款 | 文档说明 + 整理后文件名 | .doc 兼容性可能较差 |
| 表格 / 清单 | Python 直接读取 | 工作表名和列名 | 表格说明 + 整理后文件名 | 不要只看首个工作表 |
| 邮件材料 | 提取邮件头、主题、附件关系 | 邮件主题、发件人、日期、附件 | 邮件说明 + 整理后文件名 | 附件与正文关系不能丢失 |
| 演示文稿 | OCR 或文稿提取 | 页标题与封面 | 页面说明 + 整理后文件名 | 图片型页面可能仍需视觉识别 |
| URL / 网页 | 读取页面标题、域名、必要时截图 | 页面标题、来源网站、访问主题 | 网页说明 + 整理后文件名 | 网页内容可能变化,需留痕 |
| Markdown / txt | 读取标题和首段 | 文本主题、来源说明 | 文本说明 + 整理后文件名 | 链接和附件可能失效 |
| JSON / XML / CSV 导出 | 识别字段结构 | 导出来源、数据类型、时间字段 | 字段说明 + 整理后文件名 | 字段名不直观时要先解释含义 |
容器类材料处理表
| 容器类型 | 首步动作 | 重点记录信息 | 风险提示 |
|---|---|---|---|
| 案件目录 / 文件夹 | 扫描目录树并建立相对路径 | 原始路径、目录层级、文件总数 | 多案件混放时要先分案 |
| 压缩包 | 解压后保留原包文件 | 压缩包文件名、解压目录、内部文件数量 | 不要解压覆盖原文件 |
| 多层压缩包 | 逐层展开 | 父包 -> 子包 -> 文件来源链 | 容易丢失内部文件出处 |
| 导出包 / 下载包 | 识别内部结构 | 导出来源、导出时间、附件关系 | 常出现重名文件或残缺导出 |
RAR/7z 需要本机外部解压器;只有用户确认后才传入 --allow-external-extractor。zip/tar 在解压前检查成员数量、展开体积、路径穿越和特殊文件。
统一识别字段
处理任何材料时,优先关注以下字段:
- 材料类型
- 可见标题 / 文件标题
- 可确认主体
- 可确认日期或时间范围
- 可确认金额或编号
- 来源容器或导出包
- 整理后文件名
- 是否需要人工确认
材料说明.md 生成检查清单
上下文读取(处理前)
- 是否已读取父级文件夹的
材料说明(如已生成) - 是否已识别并读取关联文件夹的
材料说明(配对关系、兄弟文件夹) - 是否已获取案件上下文(用户提供或从对话中获取)
- 是否已获取需求方材料清单(如用户提供了发给客户的材料清单)
- 是否将相关上下文注入到视觉理解 prompt 中
每个文件
- 是否已通过 OCR / 视觉理解 / ASR 提取了文本内容
- 是否已把 OCR / 视觉理解 / ASR 的输出登记为
variants - 是否已把处理动作、输入输出和失败原因登记为
processing_runs - 是否已设置或更新
primary_readable_variant_id - OCR 结果是否已贴入
{文件夹名称} - 材料说明.md - 是否根据"注解判断表"决定了需要还是不需要注解
- 需要注解的文件是否已添加解释性注解
- 看不清/读不出的内容是否标注了"待识别"
每个文件夹
- 文件夹是否代表一个有意义的案件单元(是 → 生成材料说明)
- 材料说明文件是否命名为
{文件夹名称} - 材料说明.md(包含文件夹名称前缀) - 材料说明头部是否包含 AI 生成声明(含版本号 v0.17.0)
- 自解释文件是否只贴 OCR 原文、不追加冗余注解
- 需上下文文件是否已添加解释性注解
- 是否在材料说明末尾追加了
## 案件上下文段落(当用户提供了案件上下文时) - 父级文件夹摘要中每个子单元是否有独立条目(确保可检索)
综合分析(Step 5.5)
- 是否在所有子文件夹材料说明完成后生成了
{源目录名称} - 材料综合分析.md - 综合整理说明是否包含材料概况、处理状态、可见关联线索和完整性核对
- 综合分析是否基于
material_sets做集合级理解,而不是只按物理文件夹汇总 - 综合分析是否只展示
display_code,不展示后台material_id - 完整性核对是否以用户提供的需求清单为基线;没有基线时是否标记
NOT_VERIFIED - 综合分析是否包含补充建议(如材料不完整)
- 完整性结论是否明确区分“有清单可核对”和“无核对基线”
并行处理
- 只有用户要求并行且运行环境允许时,是否按互不覆盖的文件夹分组;否则顺序处理
- 父级摘要是否在所有子文件夹完成后才生成
- 综合分析是否在所有材料说明完成后才生成
聊天记录专项提醒
对于微信、飞书、短信等聊天材料,本 skill 只做整理命名,不做对话事实分析。建议至少识别:
- 发言人
- 发言时间
- 聊天对象
- 截图 / 导出时间范围
- 是否截图不完整
- 是否含语音、图片、文件等附件线索
如果只有截图,没有完整导出记录,应在报告中明确:
- 是否缺少聊天前后文
- 是否缺少头像 / 名称 / 时间条信息
- 是否存在拼接图或裁切图风险
对挂外链的 Cubox / 微信 / 企微 / 钉钉聊天 HTML 导出件,跳到下一节「chat-html 导出件专项提醒」。
chat-html 导出件专项提醒
对于 Cubox Pro / 微信 / 企微 / 钉钉等导出的聊天 HTML(<a href> 挂外链下载、<img> 挂图床、<video> 挂视频)走 chat-html 子路径:
Step 1:用 recognize_chat_html() 判断是否进入 chat-html 子路径。
Step 2:用 extract_external_resources() 抽取外链下载/图片/视频三类。
Step 3:先走 dry-run:显式传入 --chat-html-dry-run,输出运行时元数据 archive/<run>/dryrun_manifest.json,人工核对清单。
Step 4:律师确认后用 --chat-html-download 真下载到源目录 外部资源/。
Step 5:材料清单末尾自动追加"外部资源抽取对账"小节。
网页材料专项提醒
网页材料通常用于文件命名和留痕,应识别:
- 页面标题
- 域名 / 平台
- 页面主题
- 访问或截图时间
- 是否需要保存截图
本 skill 不判断网页内容的证据效力。
输出前复核清单
- 是否先处理了目录、压缩包、导出包等容器材料
- 是否每类材料都已入清单并获得编号
- 是否还有未识别的图片、截图、扫描件、PDF、音视频或链接
- 是否已为难命名材料调用可用视觉识别 / OCR / 转写 / 文档读取能力
- 是否已把实际整理结果写入运行时元数据 archive 中的
materials_manifest.json和源目录材料清单.md - 元数据 archive 是否包含
filing_plan.json和renaming_map.json,并记录材料组、展示编号、参照度和整理路径 -
materials_manifest.json是否包含materials、material_sets、variants、processing_runs、follow_up_candidates -
材料清单.md是否包含“所属材料组 / 可读性 / 待处理动作”列 -
材料清单.md、材料说明.md和综合分析是否均不展示后台material_id - 整理后是否已回更新所有材料说明和清单中的路径引用
- 原件快照是否已保留(压缩包原包或文件夹快照)
- 文件是否已加 A001/B002/C003/D004 展示编号前缀
- 文件夹是否已加 NN 序号前缀
- 源材料目录是否没有遗留 JSON、解压目录、接口响应或临时过程文件
- 是否把不确定文件放入
待人工确认 - 每个材料说明文件是否命名为
{文件夹名称} - 材料说明.md(包含文件夹名称前缀) - 每个材料说明文件是否包含 AI 生成声明(含版本号 v0.17.0)
- Skill 包内
archive/是否只有.gitignore与.gitkeep - 运行时元数据 archive 是否未包含图片、音频、视频、PDF、办公文档、OCR 全文或解压目录
- 真实材料工作目录是否位于 Skill 包之外,并与元数据 archive 分离
- 是否已生成
{源目录名称} - 材料综合分析.md,包含完整性评估和补充建议 - 用户提供的上下文是否只用于中性注解,并与可见材料内容分开
- 自解释文件是否未追加冗余注解
- 需上下文文件是否已添加注解