Resume Document Intelligence

简历文档智能

把 PDF 解析当作可追溯的数据工程任务。优先保留原生文字层、字体和几何信息，仅在证据表明原生提取不足时调用 OCR；不要把 OCR 当作默认或“完美”方案。

先读取统一入口

1. 先读取能力映射，确认 Capability ID、数据范围、内置 fallback 和相邻 Skill。
2. 在新增或替换实现前读取扩展协议，遵守 Manifest、Schema、权限、评测和回滚要求。
3. 在设计 fixture、比较候选解析器或做发布验收时读取本 Skill 量表。
4. 以仓库中的 TypeScript 类型、Zod Schema 和现有测试为权威；文档与代码冲突时先核实运行路径，再修正文档或实现。

明确任务边界

• 把 document.parse、document.ocr、document.segment 作为本 Skill 的唯一主能力。
• 把事实声明、评分、建议和 ATS 结论交给 resume-evidence-review；这里只输出可供审计的文档信号，不推断候选人事实。
• 把模板选择、Typst 编译和最终 PDF 质量门交给 resume-layout-export；不要做通用 PDF → LaTeX → PDF 往返。
• 保持原 PDF 不可变。只从规范化 SourceBlock 构建 Resume AST，并保留每个节点的 sourceBlockIds。
• 不宣称完整还原原稿样式、复杂表格语义、超链接关系或任意双栏阅读顺序。

区分页面分类与抽取模式

• 页面分类字段使用 digital | scan | mixed，描述单页原生文字与图像信号；它不等于整份文档的抽取模式。
• canonical Capability 输出的文档抽取模式使用 native | mixed | ocr。TypeScript parser 内部可能暂用 hybrid，但 adapter 必须在进入 canonical Schema 前归一化为 mixed。
• 把 document.parse 视为产品级文档结果入口。OCR 可以由当前 parser adapter 在其受控流程内执行，也可以独立通过 document.ocr 契约评测；不要假定 Registry 必须嵌套调用另一个 Capability。先从 src/app/api/analyze/route.ts 追踪请求编排，再核对 src/lib/server/document-worker.ts 的 worker 归一化、src/lib/server/pdf.ts 的本地解析和 src/lib/server/analysis.ts 的领域转换。
• 当前契约 1.0 的 DocumentOcrOutputSchema.engine 固定为 tesseract.js，因此 document.ocr 只能无缝替换兼容该语义的 Tesseract 实现。PaddleOCR 或其他引擎可先作为 document.parse 内部受控 adapter 评测；若要注册为独立 document.ocr extension，必须先版本化放宽 canonical Schema、更新 Registry 记录并证明旧客户端兼容，禁止谎报引擎。
• 页面阈值、OCR 覆盖率、相似度、warning code 和资源预算以当前代码、配置与 canonical Schema 为权威。修改任一阈值时同时更新 fixture、版本记录和两条 adapter 的兼容性测试，不在 Skill 文本中另建第二套常量。

执行解析流程

1. 校验输入与预算

1. 校验 PDF 签名、MIME、扩展名、大小、页数、加密状态和解析完整性。
2. 沿调用链传递 AbortSignal、deadline、trace ID 和最小数据授权；立即传播用户取消。
3. 在解压、渲染、图片区域、像素、字符、块数、OCR 并发和输出大小上设置硬上限。
4. 拒绝伪装、损坏、加密或超限文件；不要为资源超限、内容摘要不一致或取消请求执行静默 fallback。

2. 优先原生解析

1. 先提取每页原生文字、字符/词坐标、页面尺寸、字体信号和图片区域。
2. 根据有效文字量、覆盖范围、字符质量和图像区域把页面标为 digital、scan 或 mixed。
3. 对 digital 页禁止 OCR；把原生内容标为 source: native。
4. 保留原始页索引、稳定顺序、归一化 bbox、置信度和有界 style 字段。
5. 对异常编码、缺字、旋转、重叠坐标或阅读顺序歧义生成稳定 warning code，不要静默猜测。

3. 只对缺失区域 OCR

1. 对 scan 页安全渲染整页并 OCR。
2. 对 mixed 页优先裁取没有原生字符覆盖的图片区域；仅在 baseline 无法区域识别时整页 OCR 后做空间与文本去重。
3. 默认使用离线、本地 OCR。禁止在运行时从 CDN 下载模型，禁止把页面图像发送到未审批网络服务。
4. 归一化 OCR 块为 source: ocr，保留页码、bbox、置信度和引擎 warning。
5. 使用覆盖率、邻近关系、规范化文本和模糊相似度去除与原生块重复的 OCR 结果。
6. 对低置信度结果保留原文并要求人工对照，不要让 OCR 覆盖更可靠的原生文本。

4. 恢复阅读顺序与分段

1. 先按页处理，再结合列、y 坐标、x 坐标、字体层级和邻接关系排序。
2. 识别 heading、paragraph、list-item、table、contact、footer 和 unknown 角色。
3. 将连续块组织为 contact、section、body 或 footer segment；保留组成块 ID。
4. 对双栏交错、浮动侧栏、跨页条目和复杂表格降低置信度并产生 warning。
5. 生成 AST 时只引用已存在的 SourceBlock；禁止凭版面猜测补造日期、公司、职级、指标或技能。

遵守 Capability 契约

Capability	最大输入范围	必须输出的核心信号	本地基线边界
document.parse	original_pdf	页数、页面信号、原生块、warning、native/mixed/ocr 模式	worker 使用 PDFium/pdfplumber；可恢复失败回退 PDF.js
document.ocr	page_image	OCR 文本、块、bbox、置信度、引擎 warning	本地 Tesseract；仅用于 scan/mixed 缺失内容
document.segment	source_blocks	排序后的块、角色、语义 segment	确定性坐标与标题规则

• 返回标准 CapabilityResult<T>：结构化 data、总体置信度、证据引用、warning、来源版本、耗时/用量和 fallback 标志。
• 通过 canonical Zod Schema 校验输入与输出；不要在 Skill 内另造不兼容 DTO。
• 保持数据最小化：解析实现可读原 PDF，OCR 实现只读获准页面图像，分段实现只读 SourceBlocks。
• 保持网络策略默认 none；候选实现若需联网，先停止接入并走扩展协议审查。
• 保留 builtin.document.parse@1.0.0、builtin.document.ocr@1.0.0、builtin.document.segment@1.0.0 作为可验证回滚目标。

处理失败与降级

• 将隔离 worker 的连接失败、超时或结构非法视为可恢复错误，并在允许时回退本机 baseline。
• 将 PDF 摘要不一致、413、安全拒绝和用户取消视为不可回退错误。
• 在回退结果上设置 usedFallback: true 并保留可向用户解释的 warning；不要丢失当前会话或 revision。
• 终止 OCR 子进程或 worker，释放页面、对象 URL 和临时资源。
• 不把“解析成功”误写成“内容完全正确”；展示低置信度块供原版 PDF 对照。

验证实现

1. 先添加会失败的最小 fixture，再修改实现。

2. 覆盖数字 PDF、纯扫描、mixed、双栏、表格、旋转、乱码、空页、加密、损坏、超限和取消。

3. 断言数字 PDF 不调用 OCR，mixed 不重复原生文字，所有块 bbox 合法且 ID 唯一。

4. 断言 worker 与 TypeScript fallback 产生兼容 wire shape，并保留来源和 warning。

5. 运行相关 Web 测试，例如：

   pnpm vitest run tests/capabilities/infrastructure-baseline.test.ts src/lib/server/document-worker.test.ts src/lib/server/ocr-merge.test.ts src/app/api/analyze/route.test.ts
   

6. 修改 Python worker 时运行：

   pytest services/document-worker/tests/test_parser.py services/document-worker/tests/test_ocr.py services/document-worker/tests/test_security.py
   

7. 再运行 pnpm typecheck、pnpm lint 和受影响的完整测试集。

8. 按量表人工抽检真实 PDF 预览；把召回率目标明确写成“待样本验证目标”，不要把 fixture 通过误报成生产准确率。

交付结果

• 列出触及的 Capability、adapter、Schema 和 fixture。
• 报告每类页面的解析决策、OCR 调用范围、去重策略、warning 与 fallback 行为。
• 报告自动化测试和人工样本结果，明确未覆盖的版面类型。
• 若结果会影响事实证据、ATS 或导出质量，路由到相邻 Skill 继续验收，不在本 Skill 内越权下结论。