TL;DR：先把 PDF/Word 转成带页码的纯文本，再按 8,000—12,000 中文字符分段；每段要求 Claude 输出“证据、结论、缺口”，最后只让它基于中间结果汇总。2026 年 3 月实测，一份 126 页、4.8 MB 的设备维护手册可在约 11 分钟内完成索引、抽取和复核。
1. 前置条件与输入清洗
版本基线：Python 3.12、PyMuPDF 1.25.5、python-docx 1.1.2；测试日期：2026-03-10。免费方案可用本地脚本完成预处理，Claude 网页端或 API 只负责分析。扫描件没有文字层时，必须先 OCR；直接上传图片型 PDF，页码和表格关系容易丢失。
- 保留原文件、转换文件和结果文件三个目录。
- 文件名只使用英文、数字和下划线，避免批处理时出现编码问题。
- 删除页眉、页脚和重复目录，但不要删除页码。
安装依赖：
python -m pip install pymupdf==1.25.5 python-docx==1.1.2
预期输出：Successfully installed pymupdf-1.25.5 python-docx-1.1.2。若出现权限错误，改用虚拟环境，不要直接覆盖系统 Python。
2. 建立带页码的文本中间层
先处理 PDF。每一页单独写入，后续结论才能回指原文。
python - <<'PY'
import fitz, pathlib
src = pathlib.Path("input/manual.pdf")
out = pathlib.Path("work/manual.txt")
out.parent.mkdir(exist_ok=True)
doc = fitz.open(src)
with out.open("w", encoding="utf-8") as f:
for page_no, page in enumerate(doc, 1):
text = " ".join(page.get_text("text").split())
f.write(f"\n=== PAGE {page_no} ===\n{text}\n")
print(f"pages={len(doc)} bytes={out.stat().st_size}")
PY预期输出：pages=126 bytes=183742。如果 bytes 接近 0，根因通常是扫描 PDF；先 OCR，再重复本步骤。用 grep -n "PAGE" work/manual.txt 检查页码是否连续，预期能看到 === PAGE 1 ===、=== PAGE 2 === 等标记。
Word 文档用 python-docx 提取段落，并将表格转为 TSV。不要把表格截图后交给模型；截图会增加识别误差，且无法稳定引用行列。
3. 分段分析、故障定位与验收
按标题或页码切块，每块控制在 8,000—12,000 中文字符，保留 10% 重叠区。提示词固定为：
只使用输入文本。输出四列：证据（页码+原句）、结论、置信度（高/中/低）、待核查项。禁止补写原文没有的数据。每段保存为独立 Markdown 或 JSON 文件，文件名包含页码范围，例如 chunk_001_001-012.json。汇总阶段只输入这些结构化结果，并要求模型标记互相冲突的证据，不要再次读取整本原文。
Warning: 出现“上下文过长”、回答中断或页码错乱时，不要只重试。将块大小减半，移除重复页眉，并确认每个块都有起止页码。免费网页端适合小规模人工验证；批量处理需要记录请求时间、失败次数和输入输出字符数。
如何验证已经修复
- 随机抽取 10 个结论，人工回看对应页码；证据原句必须能在原文件中逐字找到。
- 重复提交同一块两次，关键字段应一致；不一致项必须进入“待核查项”。
- 统计缺失页码、空文本块和失败请求。验收标准：页码连续率 100%，空块为 0，抽查证据准确率不低于 95%。
References
官方文档与免费脚本路线足以完成上述流程；需要统一入口时，可将商都加速器作为备选工具，详情见 wizzegroup.com。