PDF 页面渲染视觉识别转译 Markdown 通用提示词

平台声明：本流程基于 CodeArts Agent 平台。若移植其他平台，按下表替换等价工具：

CodeArts 工具	等价替换说明
tool_describe(id="analyzeImage")	加载该平台图像分析工具的 schema
tool_call(id="analyzeImage", args={...})	调用该平台图像分析工具
write / bash / read	该平台的文件写入/命令执行/文件读取工具

运行环境：Windows 11 + git-bash。依赖命令：cat/rm/grep/ls/diff/seq/python/sort/wc/awk/xargs/basename/echo。grep 须支持 -o（不依赖 PCRE -P）。若纯 PowerShell/CMD，替换为等价命令。所有文件编码 UTF-8 无 BOM，换行符 LF。

使用方式：

• 作为一次性提示词：将本文件内容完整粘贴给 AI，替换"输入参数"中的路径即可执行。
• 作为 skill：当用户提供 PDF 路径并要求"转译 Markdown"时触发。输入：源 PDF 路径、目标 md 路径、页面图目录、插图目录、运行模式。输出：转译后的 Markdown 文件 + 校验报告（即步骤6的 stdout 输出，含页码/插图/CRLF/failed_pages 等校验结果，不落盘）。

定位声明：本提示词只保证"流程可执行、异常可标记、结果可校验"。PDF 内容千差万别，具体表格、公式、多栏、扫描质量、标签体系、术语表等，不在通用提示词中穷举；遇到无法可靠识别的内容，一律标记后交人工复核。

中断恢复流程（会话中断或 AI 崩溃后重启）：

1. 检查 D:/example/temp/meta.json 是否存在；若存在，再检查 failed_pages 是否非空（meta.json 在 render.py 末尾写入，不存在可能说明渲染中途崩溃，图片已部分渲染但需重跑步骤1）。若 failed_pages 非空，按强制要求6"续跑与 failed_pages 交互"处理（打印列表并终止）
2. 检查 D:/example/output.md 最大页码 N（grep -o '^## 第 [0-9]* 页$' D:/example/output.md | grep -o '[0-9]*' | sort -n | tail -1）
3. 若 N > 0 且 N < total_pages → 进入续跑模式，先执行步骤2加载schema，再从步骤3第 N+1 页开始识别
4. 若 N = total_pages → 转译已完成，直接进入步骤6校验（不重新识别）
5. 若 N = 0 或 output.md 不存在 → 从步骤1重新开始
6. 若 temp/footnote_counter.txt 存在且 N > 0 → 续跑兼容（保留计数器）；N = 0 → 重跑重置（删除计数器）

长度说明：全文以 wc -l 统计为准（当前约 550 行）。若上下文窗口有限，可将"禁止事项""避坑指南""质量检查清单"移至附录按需加载，核心流程（步骤1-6）常驻。

输入参数（使用时替换为实际绝对路径）

源 PDF 路径（绝对路径）：    D:\example\source.pdf
目标 Markdown 路径（绝对）： D:\example\output.md
页面渲染图目录（绝对路径）： D:\example\images\        ← PDF每页转PNG存放于此
预截取插图目录（绝对路径）： D:\example\pdf_images\     ← 用户手动截取的插图；若无预截取插图，填"无"
运行模式：                  重跑                      ← "重跑"=从第1页开始覆盖写入；"续跑"=从断点追加

路径规则：

• 所有路径统一使用绝对路径
• Python 代码中用原始字符串 r"..." 或双反斜杠 \\
• shell 命令中用正斜杠 /
• tool_call 的 args（JSON）中用双反斜杠 \\（JSON 转义）
• 临时文件目录：D:\example\temp\（目标 Markdown 同级目录下的 temp\）

任务目标

将指定 PDF 文档完整转译为 Markdown 文档。必须完全使用页面渲染+视觉模型识别方式：逐页将 PDF 页面渲染为 PNG 图片，用视觉模型识别图片中的文字和布局，输出为 Markdown 格式。每页标记页码，插图引用对应图片文件。

"页面渲染+视觉识别"定义：

• ✅ 允许：用 PyMuPDF（fitz）将 PDF 页面渲染为图片（get_pixmap），再用视觉模型（analyzeImage）识别图片
• ❌ 禁止：用 PyMuPDF（fitz）提取文本（get_text），或用 pdfplumber、Tesseract 等外部 OCR 工具
• ❌ 禁止：直接用 AI 平台的文件读取工具（如 read）读取 PDF 并依赖平台自动解析文字——这属于"文本提取"非"视觉识别"，准确度与排版均不可靠
• 视觉模型内置的文字识别能力属于"视觉识别"，不属于"外部 OCR 工具"，允许使用

强制要求（必须遵守）

1. 识别方式：仅限页面渲染 + 视觉模型识别

• 必须将 PDF 每页渲染为 PNG 图片，用视觉模型识别图片中的文字和布局
• 禁止使用 PyMuPDF get_text()、pdfplumber、Tesseract 等工具直接提取文本
• 禁止直接用 read 工具读取 PDF 依赖平台自动解析文字（属于文本提取，非视觉识别）
• 禁止混合使用文本提取和视觉识别
• 允许使用 PyMuPDF get_pixmap() 渲染页面为图片，这不属于"文本提取"

2. 工具调用：必须通过 tool_call

• analyzeImage 是 deferred built-in tool，必须通过 tool_call(id="analyzeImage", args={...}) 调用
• 禁止直接调用 analyzeImage(...)（即在工具调用中写 analyzeImage(imagePath=..., task=...)）
• 如何区分：tool_call(id="analyzeImage", args={...}) 是正确调用；analyzeImage(...) 是直接调用（错误）
• 首次使用前先调用 tool_describe(id="analyzeImage") 加载 schema

3. analyzeImage 工具 schema

返回结构： 返回纯文本/Markdown 格式的识别结果字符串。多图时按图片顺序依次返回，每图结果前有 This is the analysis result of image batch [...] 前缀。

4. task 描述参数

task 拼接规则： 特殊页面（多栏/旋转/竖排）在基础 task 上追加指令。拼接优先级：基础 task → 旋转提示 → 多栏提示 → 竖排提示。拼接后总长不超过 100 字；若超限，省略低优先级提示，仅保留基础 task + 最高优先级提示。

详细 task 重试规则： 详细 task（~55字）仅用于普通文字页返回空时重试。特殊页面返回空时，用基础 task + 最高优先级特殊提示重试，不叠加详细 task（详细 task + 特殊提示易超 100 字导致返回空）。

规则：简短 task 优先；返回空时改用详细 task 重试，最多重试 2 次；重试单独成批（不与下一批识别并行），仍为空则按"返回空处理"流程判断。

5. 并行调用限制

• 每批最多 3 个并行 tool_call
• 同一响应中并行工具调用总数（含 tool_call、bash、write、read 等）不超过 6 个
• 跨响应等待识别结果时不计入并行限制
• tool_describe 不计入并行限制（仅首次调用一次）
• 重试单独成批：某页返回空需重试时，在下一响应中单独发送该页的 tool_call，不与下一批新页并行
• 禁止在同一个响应中同时调用 tool_call(id="analyzeImage") 和直接调用 analyzeImage
• 禁止多个 bash cat >> 并行写同一目标文件，写入必须串行

6. 写入方式：分批追加

• 重跑模式：首次写入用 write 创建目标文件（覆盖旧内容），后续追加
• 续跑模式：目标文件已存在，从断点页开始追加写入（不覆盖）
  • 断点 N 判定：用 bash 读取目标文件中最大的 ## 第 X 页 页码，N = 该页码；若输出为空，显式 N=0
  • 若目标文件不存在或无页码标记，N = 0，从第 1 页开始
  • 续跑只支持连续写入，不支持中间补页：若目标文件存在缺页（如 1,2,4,5 缺第3页），续跑从 N+1 开始，不会补中间缺页。中间缺页需人工检查或重跑该页
  • 续跑与 failed_pages 交互：续跑时 render.py 会重渲染缺失页，failed_pages 可能更新。但续跑断点 N 不受 failed_pages 影响（仍从 N+1 开始）。若 failed_pages 非空，续跑前打印失败页列表并终止，提示用户手动处理（AI 是自动执行者，不等待人工决定）。用户处理完后重新执行步骤1（重渲染，更新 meta.json）+ 步骤3（从断点 N+1 续跑）；若重渲染后 failed_pages 清空，按正常续跑流程执行
• 后续每批用 write 创建临时文件，用 bash 的 cat >> 串行追加到目标文件
• 禁止一次性写入所有内容
• 每批识别 3 页、写入 3 页（识别一批立即写入一批，不跨批缓存）。"写入 3 页"指识别页 3 页；失败页标记额外占用页块，按页码排序合并写入，不视为违反"写入 3 页"
• 临时文件放在 D:\example\temp\，命名：temp_<起始页>_<结束页>.md（如 temp_004_006.md）
• 重试时同名临时文件直接覆盖
• 完成后清理所有临时文件（含 temp_*.md、meta.json、pages.txt、expected.txt、referenced.txt、available.txt、comment_pages.txt、footnotes.txt；保留 footnote_counter.txt 供续跑分配编号）
• 断点续跑：若中途失败，目标文件已写入前 N 页。续跑时从第 N+1 页开始识别和追加写入

7. 逐页标记

• 每页必须标记：<!-- 第 X 页 --> + ## 第 X 页 + 内容 + ---
• 禁止跳过页码标记或合并多页为一个标记
• 原文标题层级统一降一级（见下表），避免与 ## 第 X 页 冲突

完整流程

步骤 1：PDF 转图片（页面渲染）

将以下 Python 脚本写入 D:\example\temp\render.py，通过 bash 执行：

bash(command="python D:/example/temp/render.py")

render.py 内容（用 write 工具创建）：

import os
import json

try:
    import fitz
except ImportError:
    print("ERROR: PyMuPDF(fitz)未安装")
    print("执行: pip install PyMuPDF")
    exit(1)

pdf_path = r"D:\example\source.pdf"
img_dir = r"D:\example\images"
temp_dir = r"D:\example\temp"

try:
    os.makedirs(img_dir, exist_ok=True)
    os.makedirs(temp_dir, exist_ok=True)
except Exception as e:
    print(f"ERROR: 无法创建目录: {e}")
    print("请检查路径是否有效（驱动器是否存在、路径是否可写）")
    exit(1)

try:
    doc = fitz.open(pdf_path)
except Exception as e:
    print(f"ERROR: 无法打开PDF: {e}")
    exit(1)

if doc.needs_pass:
    if not doc.authenticate(""):
        print("ERROR: PDF已加密，无法解密")
        exit(1)

total_pages = len(doc)
zero_width = max(4, len(str(total_pages)))
failed_pages = []
for i, page in enumerate(doc):
    out_path = os.path.join(img_dir, f"page_{str(i+1).zfill(zero_width)}.png")
    if os.path.exists(out_path):
        continue
    try:
        mat = fitz.Matrix(2.0, 2.0)
        pix = page.get_pixmap(matrix=mat)
        pix.save(out_path)
    except Exception as e:
        print(f"警告: 第 {i+1} 页渲染失败: {e}")
        failed_pages.append(i+1)
doc.close()

with open(os.path.join(temp_dir, "meta.json"), "w", encoding="utf-8") as f:
    json.dump({"total_pages": total_pages, "zero_width": zero_width, "failed_pages": failed_pages}, f)
print(f"总页数：{total_pages}，补零位数：{zero_width}")
if failed_pages:
    print(f"警告: {len(failed_pages)} 页渲染失败: {failed_pages}")
    print("这些页图片缺失，识别时将按'返回空处理'流程标记")

执行前确认： 先用 bash(command="ls D:/example/temp/render.py") 确认文件创建成功，再执行 python D:/example/temp/render.py。若 write 失败导致 render.py 不存在，不执行 python。

异常处理：

• PyMuPDF 未安装：脚本打印提示，AI 执行 pip install PyMuPDF 后重试
• PDF 加密：脚本尝试空密码解密，失败则报错终止，已生成文件保留（不清理）
• 权限不足：报错终止，已生成文件保留，提示用户检查路径权限
• 目录创建失败：脚本打印提示，终止并报告，不继续步骤 2
• 页面渲染失败：脚本记录失败页到 meta.json 的 failed_pages，继续渲染其他页；识别时失败页按"返回空处理"流程标记
• 退出码检查：若 bash 返回非 0，终止并报告错误，不继续步骤 2

步骤 2：加载 analyzeImage schema

tool_describe(id="analyzeImage")

步骤 3：分批识别图片

识别前先读 failed_pages：用 bash 读取 meta.json 中的 failed_pages 列表。该列表中的页图片不存在，直接标记"（本页渲染失败，需人工复核）"并写入目标文件，不调用 analyzeImage，避免无效调用。

# 读取失败页列表
FAILED=$(python -c "import json; print(' '.join(map(str, json.load(open('D:/example/temp/meta.json'))['failed_pages'])))" 2>/dev/null)
echo "渲染失败页: $FAILED"

失败页与批次整合规则：

• 失败页不占用识别槽位：识别批次只包含图片存在的页
• 失败页标记单独生成（不调用 analyzeImage），不占用识别槽位；写入时与识别结果合并按页码升序排序后统一写入
• 例：总5页，第2页渲染失败 → 识别批次为"第1,3,4页"+"第5页"；第2页生成失败标记
• 写入顺序：失败页标记与识别结果合并按页码升序排序后统一写入（如第1页识别+第2页失败标记+第3页识别 → 按1,2,3顺序写入），保持页码连续

每批 3 个并行 tool_call，识别一批写入一批：

# 第 1 批（第 1-3 页）
tool_call(id="analyzeImage", args={
    "imagePath": ["D:\\example\\images\\page_0001.png"],
    "task": "识别图片中所有文字，原文输出markdown格式，不要翻译。"
})
tool_call(id="analyzeImage", args={
    "imagePath": ["D:\\example\\images\\page_0002.png"],
    "task": "识别图片中所有文字，原文输出markdown格式，不要翻译。"
})
tool_call(id="analyzeImage", args={
    "imagePath": ["D:\\example\\images\\page_0003.png"],
    "task": "识别图片中所有文字，原文输出markdown格式，不要翻译。"
})

返回空的处理流程（按顺序执行）：

1. 改用详细 task 重试（最多 2 次，单独成批）
2. 仍为空 → 用 read 工具读取该 PNG 图片
   - read 支持图片（CodeArts 平台）：返回图片供 AI 视觉判断
   - read 不支持图片（其他平台 fallback）：跳到步骤 4
3. AI 视觉判断（4种分支）：
   a. 纯图表页且 pdf_images 有对应插图 → 引用 pdf_images/pageX_imgY.png
   b. 纯图表页且无插图 → 标记"（本页为图表页，未能识别文字内容）"
   c. 空白页 → 标记"（本页为空白页）"
   d. 有文字但识别失败 → 标记"（本页识别失败，需人工复核）"
4. AI 也无法判断（兜底）→ 标记"（本页识别失败，需人工复核）"

步骤 4：格式化识别结果

4.1 通用格式规则

4.2 布局元素转换规则

脚注缓存规则（分批写入下脚注处理完整流程）：

4.3 每页标记格式

<!-- 第 X 页 -->
## 第 X 页

（页面内容）

---

4.4 插图引用格式

![描述文字](pdf_images/pageX_imgY.png)

命名规则： pageX_imgY.png 中 X = 页码（不补零，如 page1_img1.png，与用户手动截取命名一致），Y = 该页第几张插图（从1递增）。
描述文字来源： 优先从识别结果中提取图片附近的图注/图题；若无图注，用页面上下文概括图片类型（如"流程图"、"架构图"），这属于"概括类型"不算"猜测具体内容细节"。"猜测具体内容细节"指编造图中不存在的文字/数据/关系。

4.5 跨页内容处理

原则：逐页识别、逐页写入，不跨页回填已写入内容。

步骤 5：分批追加写入

# 重跑模式 - 首次写入（第 1 批，第 1-3 页）
# 重跑前重置脚注计数器，避免上次运行的编号残留导致悬空
bash(command="rm -f D:/example/temp/footnote_counter.txt")
write(filePath="D:\\example\\output.md", content="...第1-3页格式化内容...")

# 续跑模式 - 首次写入（从断点 N+1 开始）
# 先用 bash 读取断点：
# bash(command="N=$(grep -o '^## 第 [0-9]* 页$' D:/example/output.md | grep -o '[0-9]*' | sort -n | tail -1); N=${N:-0}; echo $N")
# N=${N:-0} 确保空输出时 N=0

# 分支 1: N=0（目标文件不存在或无页码标记，等同重跑）
# 重置脚注计数器（等同重跑）
bash(command="rm -f D:/example/temp/footnote_counter.txt")
# 用 write 创建 output.md
write(filePath="D:\\example\\output.md", content="...第1-3页格式化内容...")

# 分支 2: N>0（目标文件已有前 N 页，追加写入）
# 禁止用 write 覆盖 output.md（否则前 N 页丢失）
# 示例（假设 N=3）：实际执行时 temp 文件名须用实际 N 计算，如 N=7 则 temp_008_010.md
write(filePath="D:\\example\\temp\\temp_004_006.md", content="...第4-6页格式化内容...")
bash(command="cat D:/example/temp/temp_004_006.md >> D:/example/output.md")

# 后续追加（每批，N>0 时继续用临时文件+cat >>）
write(filePath="D:\\example\\temp\\temp_007_009.md", content="...第7-9页格式化内容...")
bash(command="cat D:/example/temp/temp_007_009.md >> D:/example/output.md")

写入必须串行：每批写入完成后再写入下一批。

注意：清理在步骤6校验之后执行（校验会产生 pages.txt 等中间文件，提前清理会导致校验失败）。

续跑模式前置条件：必须先执行步骤1（重新生成 meta.json 和缺失的页面图片）。上次运行清理后 meta.json 和 render.py 已删除，步骤6校验依赖 meta.json 获取总页数。若图片已全部存在，render.py 可跳过已渲染页（脚本中加文件存在检查）；若需补渲染缺失页，重新创建 render.py 并执行。

步骤 6：最终校验

# 0. 校验 render.py 未调用 get_text()（清理前检查）
if [ -f "D:/example/temp/render.py" ]; then
  grep -n "get_text" "D:/example/temp/render.py" && echo "错误: render.py 调用了 get_text()" || echo "render.py 未调用 get_text() (正确)"
else
  echo "警告: render.py 不存在（可能已被清理），跳过 get_text() 校验"
fi

# 读取总页数（容错）
TOTAL=$(python -c "import json; print(json.load(open('D:/example/temp/meta.json'))['total_pages'])" 2>/dev/null)
if [ -z "$TOTAL" ]; then
  echo "警告: meta.json 不存在或损坏，请手动输入总页数"
  TOTAL=0
fi
echo "总页数: $TOTAL"

# 1. 校验页码标记数（精确匹配 ^## 第 X 页$）
COUNT=$(grep -c "^## 第 [0-9]* 页$" "D:/example/output.md")
echo "页码标记数: $COUNT / 总页数: $TOTAL"

# 2. 校验页码连续性
grep -o "^## 第 [0-9]* 页$" "D:/example/output.md" | grep -o "[0-9]*" | sort -n > D:/example/temp/pages.txt
if [ "$TOTAL" -gt 0 ]; then
  seq 1 $TOTAL > D:/example/temp/expected.txt
  diff D:/example/temp/expected.txt D:/example/temp/pages.txt && echo "页码连续" || echo "页码不连续"
fi

# 3. 校验注释与页码标记一致性（X 值配对）
grep -o "^<!-- 第 [0-9]* 页 -->$" "D:/example/output.md" | grep -o "[0-9]*" | sort -n > D:/example/temp/comment_pages.txt
diff D:/example/temp/comment_pages.txt D:/example/temp/pages.txt && echo "注释与页码一致" || echo "注释与页码不一致"

# 3.1 校验注释与标题相邻（注释行下一行应为标题行）
ADJACENT_COUNT=$(grep -A1 "^<!-- 第 [0-9]* 页 -->$" "D:/example/output.md" | grep -c "^## 第 [0-9]* 页$")
echo "注释-标题相邻数: $ADJACENT_COUNT / 页码标记数: $COUNT"

# 4. 校验每页末尾 ---（统计 --- 行数，应等于页数）
SEP_COUNT=$(grep -c "^---$" "D:/example/output.md")
echo "分隔符数: $SEP_COUNT / 页码标记数: $COUNT"

# 5. 插图引用校验（仅当 pdf_images 填了实际路径且目录存在）
# 注意：PDFIMAGES 须与输入参数中的"预截取插图目录"一致，填"无"时设为 PDFIMAGES="无"
PDFIMAGES="D:/example/pdf_images"
if [ "$PDFIMAGES" = "无" ] || [ "$PDFIMAGES" = "none" ]; then
  echo "pdf_images 填'无'，跳过插图校验"
elif [ -d "$PDFIMAGES" ]; then
  grep -o "page[0-9]*_img[0-9]*\.png" "D:/example/output.md" | sort -u > D:/example/temp/referenced.txt
  ls "$PDFIMAGES"/*.png 2>/dev/null | xargs -I{} basename {} | sort -u > D:/example/temp/available.txt
  echo "已引用插图数: $(wc -l < D:/example/temp/referenced.txt)"
  echo "可用插图数: $(wc -l < D:/example/temp/available.txt)"
  diff D:/example/temp/available.txt D:/example/temp/referenced.txt
  if [ $? -ne 0 ]; then
    echo "插图差异说明: diff中 < 行=未引用图片(警告), > 行=引用了不存在的图片(错误)"
  fi
else
  echo "警告: pdf_images 填了路径但目录不存在: $PDFIMAGES，跳过插图校验"
fi

# 5.1 校验 failed_pages 对应页的标记存在
FAILED=$(python -c "import json; print(' '.join(map(str, json.load(open('D:/example/temp/meta.json'))['failed_pages'])))" 2>/dev/null)
if [ -n "$FAILED" ]; then
  for p in $FAILED; do
    grep -q "^<!-- 第 $p 页 -->" "D:/example/output.md" && echo "第 $p 页(渲染失败)标记存在" || echo "警告: 第 $p 页(渲染失败)标记缺失"
  done
else
  echo "无渲染失败页"
fi

# 5.2 页眉页脚候选统计（只统计不删除，交人工处理）
HEADER_CANDIDATES=$(grep -c "<!-- 候选页眉 -->" "D:/example/output.md" 2>/dev/null); HEADER_CANDIDATES=${HEADER_CANDIDATES:-0}
FOOTER_CANDIDATES=$(grep -c "<!-- 候选页脚 -->" "D:/example/output.md" 2>/dev/null); FOOTER_CANDIDATES=${FOOTER_CANDIDATES:-0}
echo "候选页眉数: $HEADER_CANDIDATES, 候选页脚数: $FOOTER_CANDIDATES"
echo "提示: 页眉页脚只标记候选不自动删除，请人工确认后用 sed 删除注释行+内容行"

# 6. 检查换行符（LF，不应有 CRLF）
CR_COUNT=$(awk '{n+=gsub(/\r/,"")} END{print n+0}' "D:/example/output.md")
if [ "$CR_COUNT" -gt 0 ]; then
  echo "警告: 文件含 CRLF 换行符 (CR数: $CR_COUNT)"
else
  echo "换行符: LF (正确)"
fi

# 6.1 检查 BOM（UTF-8 无 BOM，文件开头不应为 EF BB BF）
BOM_COUNT=$(python -c "print(1 if open('D:/example/output.md','rb').read(3)==b'\xef\xbb\xbf' else 0)")
if [ "$BOM_COUNT" -eq 1 ]; then
  echo "警告: 文件含 UTF-8 BOM (需去除)"
else
  echo "BOM: 无 (正确)"
fi

# 7. 清理所有临时文件（校验完成后执行；保留 footnote_counter.txt 供续跑分配编号）
rm -f D:/example/temp/temp_*.md D:/example/temp/meta.json D:/example/temp/pages.txt D:/example/temp/expected.txt D:/example/temp/referenced.txt D:/example/temp/available.txt D:/example/temp/comment_pages.txt D:/example/temp/footnotes.txt D:/example/temp/render.py

# 8. 确认清理完成（footnote_counter.txt 保留不报残留）
ls D:/example/temp/ 2>/dev/null | grep -E "temp_.*\.md|meta\.json|pages\.txt|expected\.txt|referenced\.txt|available\.txt|render\.py|comment_pages\.txt|footnotes\.txt" && echo "警告: 有临时文件残留" || echo "无临时文件残留"
echo "保留文件: footnote_counter.txt (供续跑分配编号)"

禁止事项

避坑指南

doom loop 触发条件与解决

见强制要求 2（工具调用：必须通过 tool_call）和强制要求 4（task 描述参数），不再重复表格。

返回空结果的处理流程

见步骤 3 中的"返回空的处理流程"（完全相同，不再重复）。

特殊页面处理

质量检查清单

自动校验项

• PDF 总页数 = md 中 ^## 第 [0-9]* 页$ 标记数
• 页码从 1 连续递增到最后页无跳号无重复（用 seq+diff 校验）
• <!-- 第 X 页 --> 的 X 与 ## 第 X 页 的 X 一一对应（用 diff 校验）
• <!-- 第 X 页 --> 与 ## 第 X 页 相邻（注释行下一行即标题行，用 grep -A1 校验）
• 每页末尾有 --- 分隔符（^---$ 行数 = 页数）
• 插图引用唯一数与 pdf_images 文件夹做 diff（仅当 pdf_images 填了实际路径）
• diff 中 < 行（未引用图片）为警告，> 行（引用不存在图片）为错误
• 无临时文件残留（含 meta.json/pages.txt/expected.txt 等所有中间文件）
• 换行符为 LF（无 CRLF）
• 文件无 UTF-8 BOM（文件开头3字节不为 EF BB BF）
• 转译脚本中未调用 get_text()（检查 render.py 源码）
• failed_pages 对应页均有"（本页渲染失败，需人工复核）"标记（用 grep 逐页校验）

人工抽样校验项（每 20 页抽 1 页）

• 抽样页内容与 PDF 原文一致（无漏识别、错识别）
• 抽样页格式正确（表格、列表、标题层级）
• 抽样页无幻觉内容（AI 编造的未出现在原文中的文字）
• 抽样页无截断（段落/列表项完整）
• 抽样页无乱码

术语校验

• 信息安全语境下"泄露"统一用字（信息泄露、数据泄露、密码泄露、密钥泄露、权限泄露、凭证泄露、源码泄露、配置泄露）
• 物理渗漏语境下保持"泄漏"（管道泄漏、油泄漏、水泄漏、气体泄漏）