pdf-site-log-audit

用于审计工程日志、养护日志、施工日志、巡检日志等 PDF / DOCX 文档，并输出结构化 Word 分析报告的项目。

它适合园林、绿化、市政、养护、施工巡检等台账类文档，尤其适合页面中同时包含：

• 日期
• 天气
• 施工部位
• 作业描述
• 施工照片

这个项目是做什么的

这个项目不是单个脚本，而是一套完整工作流。

目标是把原始文档变成可复核、可追踪、可持续批处理的审核流程，最终为每个文档生成一份 分析报告.docx。

输出通常包括：

1. OCR / 提取后的文本层
2. 图片层与页面映射
3. 重复图片问题
4. 明确的图文不符问题
5. 最终 分析报告.docx

可以做什么

这个项目主要解决两类问题：

1. 重复图片审核

识别施工照片是否在不同页面被重复使用，并按重复组输出。

2. 图文不符审核

结合页面文字和图片，识别明确、严重且无法合理解释的图文矛盾。

项目采用“脚本归一化 + agent 最终判断”的方式：

• 脚本负责 OCR、映射、候选生成、状态持久化
• agent 负责最终复核与判断

适用文档

适用于以下类型：

• 工程日志
• 养护日志
• 施工日志
• 巡检日志
• 园林 / 绿化 / 市政项目台账

支持：

• PDF
• DOCX

其中真正关键的分叉是：

• 数字原生文档
• 扫描件 / 图片型文档

工作流概览

第一阶段：文档归一化

对于数字原生文档：

• 直接提取文本
• 提取嵌入图片
• 建立页面 / 图片映射

对于扫描件：

• 先做 OCR
• 生成文本、图片、layout 等中间层
• 建立 page-image-text mapping
• 生成重复图片候选

第二阶段：审核判断

重复图片审核

• 脚本先做候选召回
• agent 再做视觉复核与最终归组

图文不符审核

• 脚本先做规则层检查
• agent 再逐页做多模态判断

最终报告规则

每个源文档最终生成一份 分析报告.docx。

默认只保留两个部分：

1. 重复图片问题
2. 明确的图文不符问题

原则：

• 没有问题时写 未发现...
• 不写猜测性结论
• 不把抽样结果包装成全量结论
• 同一张重复图片引起的日期/天气矛盾，默认只记在 重复图片问题

如何使用

这个项目面向 agent 工作流使用。

通常不需要人手动逐个执行所有脚本，而是由 agent 按 skill 说明组织流程、调用脚本、推进批处理，并输出最终报告。

如果要做长任务或批量任务，推荐：

• 后台异步执行
• 结合 OpenClaw cron 续跑

部署 / 运行要求

1. OCR token

执行 OCR 需要相应 token。

如果当前环境没有可用 token，应前往 Paddle 申请 OCR 服务所需凭据。

凭据不应写入代码，也不应提交到 Git。运行时通过环境变量提供即可。

2. Python 环境

项目中的脚本使用 Python 运行。

3. Agent 环境

推荐在 OpenClaw / agent 环境中使用，由 agent 统一调度工作流，而不是把它当成单脚本工具直接硬跑。

目录结构

pdf-site-log-audit/
├── SKILL.md
├── SKILL_zh.md
├── README.md
├── README_en.md
├── LICENSE
├── references/
└── scripts/

主要文件

• SKILL.md：英文 skill 定义与执行规范
• SKILL_zh.md：中文说明
• references/：模板、cron 参考、执行约束
• scripts/：OCR、映射、候选生成、批处理、校验等脚本

项目定位

这是一个偏 workflow 的项目，不是“一个脚本解决全部问题”的工具。

它的重点是：

• 可复核
• 可持续批处理
• agent 可接管
• 最终结论保留人工/多模态判断层