clawshire-doc-extract-engine

name clawshire-doc-extract-engine description 上传任意 PDF（简历/合同/研报/说明书等），用自然语言描述要提取的字段，自动输出结构化 JSON。支持多文档批量提取、多轮迭代修正、Schema 复用。当用户需要：(1) 从 PDF 中提取结构化信息 (2) 把文档内容转成 JSON/表格 (3) 批量解析同类文档并复用字段模板时使用此 Skill。 ClawShire 通用文档提取引擎技能 上传自备 PDF → 用自然语言描述要提取的字段 → 拿到结构化 JSON。适用于简历、合同、研报、说明书等任意 PDF。 服务地址： https://api.clawshire.cn 前置条件： 设置 CLAWSHIRE_API_KEY 。脚本仅使用 Python 标准库，无需安装任何第三方依赖。 Agent 调用指引（重要） 用户只需提供 PDF 路径 + 一句话需求，Agent 自动完成全流程，无需用户手动传递任何 ID。 典型触发语句： "帮我从这个简历 PDF 提取基本信息、工作经历、技能" "把这份合同里的甲乙方、金额、签署日期提取出来" "解析这个研报，提取公司名称、评级、目标价" Agent 执行顺序（全自动，中间 ID 不需要用户参与）： 1. upload PDF → 获得 document_id 2. schema-create → 获得 conversation_id 3. schema-chat "用户需求" → 获得 schema（504 时自动 fallback 到 schema-get） 4. session-create → 获得 session_id 5. extract --auto-end → 获得结构化结果 + 自动打印摘要 耗时提示： schema-chat 约 30秒～3分钟， extract 约 1～5分钟，请告知用户等待。 快速开始（三步完成一次提取） export CLAWSHIRE_API_KEY= "sk-..." SCRIPT= "python skills/clawshire-doc-extract-engine/scripts/clawshire_doc_extract_client.py" # 第一步：上传 PDF，记下返回的 document_id $SCRIPT upload 合同.pdf # 第二步：设计提取字段（一句话描述即可，遇到 504 会自动拉取服务端结果） $SCRIPT schema-create --doc-ids <document_id> $SCRIPT schema-chat <conversation_id> "提取甲方、乙方、合同金额、签署日期" --save-as 合同 # 第三步：创建 Session 并提取（完成后自动打印覆盖率摘要） $SCRIPT session-create --name "合同提取" --from-lib 合同 --doc-ids <document_id> $SCRIPT extract --session-id <session_id> --doc-ids <document_id> --out result.json --auto-end --auto-end 自动归档并触发平台经验学习；提取完成后始终输出结构化数据，Claude 可直接读取并展示给用户。 标准工作流（完整 7 步 API） 1. 上传 PDF POST /api/v1/doc-extract-engine/upload ， multipart/form-data ，字段名 files （可多个）。 响应： {"document_ids": [...], "count": N} 2. 开启 Schema 设计对话 POST .../schema-conversations ，body： {"document_ids": ["id1","id2"]} 响应： {"conversation_id": <int>} 3. 用自然语言描述提取需求 POST .../schema-conversations/{conversation_id}/chat ，body： {"message": "请提取甲方、乙方、合同金额、签署日期"} 响应为服务端聚合 SSE 后的 JSON，含 schema 、 messages 、 results 等字段（以实际返回为准）。 若响应未带完整 schema： GET .../schema-conversations/{conversation_id} 拉取当前状态。 4. 创建提取 Session POST .../sessions ，body： { "session_name" : "合同-项目A" , "extraction_schema" : { "type" : "object" , "properties" : { ... } } , "document_ids" : [ "id1" , "id2" ] } 响应： {"session_id": <int>} 5. 执行提取 POST .../extract ，body： {"session_id": 1, "document_ids": ["id1","id2"]} 响应含 batch_id 、 results 等。 6. 迭代修正（可选） POST .../batches/{batch_id}/chat ，body： {"message": "把金额统一成数字，去掉货币符号"} 可重复多轮。 7. 归档 POST .../batches/{batch_id}/end 高级用法：省 Token & 省额度 输出行为说明 extract 、 batch-result 、 batch-chat 命令 始终 将实际接口响应的结构化数据（ results[].data ）输出到 stdout，让 Claude 和用户都能直接看到提取内容。 选项 作用 extract --quiet 额外打印字段覆盖率概要（进度条） batch-result --summary 额外打印字段覆盖率，查询已有批次时使用 batch-chat --quiet 额外打印字段覆盖率概要 省额度：本地提取缓存 首次提取会自动写入 ~/.clawshire/cache.json （按 API Key + BaseURL + session_id + doc_ids 四维隔离，切换环境不会污染）。 # 首次提取（写入缓存） $SCRIPT extract --session-id 1 --doc-ids id1,id2 --out result.json --quiet # 再次访问同一批文档，命中缓存则不消耗额度 $SCRIPT extract --session-id 1 --doc-ids id1,id2 --use-cache --quiet 注意 ： --use-cache 未命中时会打印明确提示后执行真实提取；缓存命中但该 batch 已被 --auto-end 归档时，会显示"归档快照"警告。 省 schema-chat：本地 Schema 库 Schema 保存到 ~/.clawshire/schemas.json ，跨 API Key 复用，无需重复 schema-chat。 # 查询已有 schema（支持关键字过滤） $SCRIPT schema-lib-list $SCRIPT schema-lib-list --search 合同 # schema-chat 时自动保存（同名已存在时跳过，不静默覆盖） $SCRIPT schema-chat 1 "提取甲方、乙方、金额" --save-as 合同 --description "合同通用 schema" # 手动保存（允许覆盖已有 schema，会提示原保存时间） $SCRIPT schema-lib-save --name 合同 --file schema.json # 跳过 schema-chat，直接从库创建 Session $SCRIPT session-create --name "批量任务" --from-lib 合同 --doc-ids id1,id2,id3 CLI 完整参数参考 # 连通性检查 $SCRIPT status # 上传（本地路径 或 http/https URL，可混用） $SCRIPT upload a.pdf "https://example.com/b.pdf" # Schema 流程 $SCRIPT schema-create --doc-ids id1,id2 $SCRIPT schema-chat <conv_id> "描述需求" [--save-as 名称] [--description 描述] $SCRIPT schema-get <conv_id> # Session 流程 $SCRIPT session-create --name 名称 (--schema-file schema.json | --from-lib 名称) --doc-ids id1,id2 $SCRIPT sessions $SCRIPT history <session_id> # 提取 $SCRIPT extract --session-id <sid> --doc-ids id1,id2 \ [--out [path.json]] [--auto-end] [--quiet] [--use-cache] # Batch 操作 $SCRIPT batch-result <batch_id> [--out [path.json]] [--summary] $SCRIPT batch-chat <batch_id> "修正说明" [--out [path.json]] [--quiet] $SCRIPT batch-end <batch_id> # Schema 库管理 $SCRIPT schema-lib-list [--search 关键字] $SCRIPT schema-lib-save --name 名称 --file schema.json [--description 描述] $SCRIPT schema-lib-delete 名称 辅助说明 认证 ： Authorization: Bearer $CLAWSHIRE_API_KEY 本地调试 ： export CLAWSHIRE_API_BASE_URL=http://localhost:8452 依赖 ：脚本无需第三方库，仅用 Python 标准库（urllib、json、argparse 等）；平台需启用 MEME_PLUGIN_REFLECT_ENGINE_ENABLED 耗时 ： extract / schema-chat / batch-chat 可能耗时数分钟，应告知用户等待 与公告数据的关系 ：本技能 不需要 met_uuid ，适合对用户手头的任意 PDF 做通用提取；若只有公告链接，使用 clawshire-data-query 查看已有结构化结果。 错误码 处理 401 检查 CLAWSHIRE_API_KEY 413 单文件超过平台 MAX_UPLOAD_MB 503 插件未启用或未配置引擎 URL 502 引擎超时或 SSE 报错，稍后重试