对"待体检的企业标准"（含图、表、文字的多模态文档）完成两条体检线：
- 指标体检：抽取正文/表格中的技术指标，结构化入库。
- 规范性体检：对照 GB/T 1.1-2020 等元标准，检查结构/编号/引用/术语/图表标题等规范性。
- 架构：单 Agent + Skills（确定性能力封装为 Skill，LLM 仅做语义兜底）。
- 多模态识别：本地 GPU（RTX 3050）+ PaddleOCR PP-StructureV3，彻底解决中文乱码 PDF（CID/Identity-H 字体编码），完整提取图/表/文字，免 API 额度、数据不出域。
- 视觉 API 版保留为兜底引擎（
--engine vision），额度到位即可切换。
run_all.py（编排，单 Agent）
│
├─ skills/parse_standard 解析 → intermediate.json（章节树+表+图清单+引用）
│ ├─ paddle_engine.py 本地 GPU 引擎（PP-StructureV3，默认）
│ ├─ prompts.py 视觉 API 引擎的 prompt 库
│ └─ parse.py 双引擎入口（--engine paddle|vision）
├─ skills/extract_indicators 指标抽取（表格+正文，确定性正则）
├─ skills/store_indicators 指标入库 SQLite（+查询）
├─ skills/check_compliance 规范性体检（对照 GB/T 1.1-2020，11 条规则）
└─ scripts/
├─ llm_client.py 公共视觉/文本 LLM 客户端（OpenAI 兼容）
├─ pdf_render.py PDF→PNG 渲染
└─ run_all.py 一键全流程 → 体检报告.md
所有 Skill 共享唯一数据契约：output/<doc_id>/intermediate.json（见 schema.md）。
这是未来演进到"多智能体"时的关键解耦点——拆分 Agent 无需改动数据流。
# 首次：双击 安装环境.bat（自动创建 .venv 并安装 GPU 依赖）
# 之后命令行请先激活虚拟环境，或直接双击 体检标准.bat（已内置走 .venv）
.venv\Scripts\activate
# 一键全流程（解析→指标抽取+入库→规范性体检→报告）
python scripts/run_all.py <标准.pdf> --doc-id <编号> --pages 1-30
# 用真实样本前先配好 API（视觉引擎需要，或用默认本地paddle引擎无需）
copy scripts\.env.example scripts\.env # 编辑填 Key（仅 vision 引擎需要）
# 支持的第②段路径：提取、审核、生成准入证据，并仅在获准时入库
python scripts/stage2_extract.py output/<id> --engine regex
# 原始提取仅生成 indicators.json；它不审核、不生成准入证据，也不能直接写入 SQLite
python skills/parse_standard/parse.py <pdf> --engine paddle # 解析
python skills/extract_indicators/extract.py output/<id>/intermediate.json
python skills/check_compliance/check.py output/<id>/intermediate.json
# 查询指标库
python skills/store_indicators/store.py --list --doc-id <id>
python skills/store_indicators/store.py --search 抗拉- 默认使用
regex提取；显式选择 LLM 时，结果仍是候选项，必须needs_review，不会自动入库。 - 未执行提取审核时不得入库。
- 入库必须具有与当前指标结果相匹配的、
accepted的准入证据。
- 解析引擎：PaddleOCR PP-StructureV3（GPU，paddlepaddle-gpu 3.0.0 / CUDA 11.8），针对 4GB 显存精简（关公式/图表模型）。
- PDF 渲染：PyMuPDF（180dpi）。
- 视觉 API 兜底：OpenAI 兼容协议（智谱 GLM-4.5V / 通义 / OpenAI）。
- 入库：SQLite。
- 规范性体检：确定性规则（结构/编号/引用/图表/格式 11 条）。
- 步骤0 环境 + 目录
- 步骤1 parse_standard（本地GPU引擎，中文乱码PDF验证通过）
- 步骤2 指标抽取 + 入库
- 步骤3 规范性体检（11条规则）
- 步骤4 Agent 串联 + 体检报告（端到端通过）
- 优化：水印双层处理（图像二值化预处理 + 跨页检测打标签）、续表合并、表注清洗、标题截断标记、识别文本.md导出
- 步骤5 真实样本验证（10份企业标准，跨食品/涂料/农药/饲料/电缆/轮胎多行业，指标库202条）
- 校准（真实样本驱动）：①指标名/单位分离(±/斜杠单位) ②误抽过滤(动词描述) ③C5严重度调整 ④横向指标表支持 ⑤范围正则收紧(排除型号编号误抽)
| 维度 | 表现 |
|---|---|
| 多模态识别 | 10/10 成功（含水印干扰场景，二值化预处理有效） |
| 指标抽取 | 9/10 抽到指标（4-118条），1份为规格类无数值指标（合理） |
| 规范性体检 | 7/10 fail=0，3/10 各1个 fail（OCR个别标题/前言丢失） |
| 水印检测 | 10/10 检出真实水印/页眉（打标签不删除） |
| 行业泛化 | 食品/涂料/农药/饲料/电缆/轮胎 均覆盖 |
- 微生物"采样方案限量"式指标（n/c/m/M 结构）未抽——需专门解析器。
- 小数点 OCR 偶有丢失（如
0.050→0 000）——二值化阈值或 OCR 后处理可改善。 - 横向指标表单位分离不完美（
mg/kg偶被切为kg）——指标名/值/运算符正确，单位待优化。 - 电缆类大量规格参数表偶有过度抽取（型号/标称值），范围正则收紧后大幅改善但未完全消除。
- 定性描述性条款偶被误抽为指标——需判断指标值是否为纯数值。
- 表题归属偶有错位——PP-Structure 版面分割限制。
- 个别标题 OCR 丢失导致 C5 父级缺失（已降为 warn）/ C1 前言缺失。
- 规格类标准（如轮胎尺寸表）无数值指标，0 条为合理结果，可在报告标注。
- 稳定后按"解析/规范性/指标/入库"拆成多 Agent，中间 JSON 契约使拆分近乎零成本。
- 扫描件走同一视觉通路（PP-StructureV3 天然支持）。
- 引入 LLM 语义兜底：对含糊指标表述（"应符合X要求"）用大模型补抽。