解析金融行业 PDF 文档（A股年报、港股财报、美股10-K、招股说明书等）为结构化 Markdown + JSON。专为跨页表格、无边框表格、多级表头、密集数值、多栏排版等金融场景设计。底层调用火山 LAS las_pdf_parse_doubao 算子做通用解析，再经 6 层金融后处理（HTML 表格解析 /...
PDF 财务 帕尔瑟·斯基尔 PDF + 马克当 + JSON + 拉斯 pdf parse doubao + , 6 + 资产/输出 schema.json
功能概述
PDF 财务 帕尔瑟·斯基尔 PDF + 马克当 + JSON + 拉斯 pdf parse doubao + , 6 + 资产/输出 schema.json 是一项面向实际任务的技能。它将相关步骤、工具调用和结果整理方式集中到统一流程中，帮助使用者更快完成目标并减少重复操作。
核心要点
- 使用时应结合输入条件选择合适的执行方式，核对必要参数、依赖环境与输出内容，并按原始要求处理异常情况。
- 该技能适合需要稳定复用相关能力的场景，可作为自动化工作流的一部分，也便于后续检查、调整和扩展。
- 从功能定位来看，该技能强调把分散的操作要求整理成清晰、可复用的处理流程，使用户能够围绕既定目标快速准备输入、选择执行方式并获得结构化结果。
使用与执行
实际使用前应先确认任务范围、数据来源、运行环境、必要权限和关键参数，再依据技能说明逐步执行；若输入条件不完整，应先补齐信息或采用保守配置，避免因错误假设导致结果偏离需求。执行过程中需要关注工具调用是否成功、接口或依赖是否可用、输出格式是否符合预期，并对异常提示、缺失字段和边界情况进行处理；
结果检查与注意事项
涉及批量任务时，还应保存进度，避免中断后重复操作。该技能适合用于一次性任务，也可以接入自动化工作流，与其他技能或上层代理配合完成更完整的业务链路；在组合使用时，应明确每一步的输入输出关系，并避免不同步骤之间出现参数冲突。
PDF Finance Parser Skill
金融场景 PDF → 结构化 Markdown + JSON。底层调用火山方舟 LAS 算子 las_pdf_parse_doubao 做通用解析，再经 6 层金融后处理还原为符合 assets/output_schema.json 的业务 JSON（含 value/unit/source_page/validation）。
设计模式
- Engine + Post-process 解耦：LAS 是通用解析引擎（黑盒），金融业务规则是独立后处理层，引擎可替换、业务可独立迭代
- Pipeline：
输入归一化 → LAS submit/poll → HTML 表解析 → 多级表头 → 跨页合并 → 数值规整 → 财务术语对齐 → 业务校验 → schema-compliant 输出 - Inversion：调用前先与用户确认解析模式（normal / detail）；不私自决定
- Best-effort 校验：业务规则违反时标 warning 而非修改原值；保留可追溯性
Gotchas
- 必须配置
LAS_API_KEY（火山方舟 LAS） - 本地 PDF 上传 LAS 必须先经过 TOS（火山对象存储），所以也必须配置
TOS_ACCESS_KEY/TOS_SECRET_KEY/TOS_BUCKET - 若 TOS 桶 region 不是
cn-beijing（LAS 默认 region），需要export TOS_REGION="单独指定（tos:// 协议跨 region 由 LAS 解析）" - TOS 对象 key 不能含中文字符（LAS 后端 URL parser 不接受），本 skill 已在
tos_uploader.py做 ASCII sanitize - LAS 并发限制 1 QPM，多文档批跑会自动退避；不要并行 spawn 多个进程
- 长报告（>200 页）建议用
--pages 1-50分段 - 财报跨页表格（"(续)" 标志）由后处理层
cross_page_merger.py自动合并；想关掉后处理传--no-postprocess
工作流
复制此清单并跟踪进度：
解析进度： - [ ] 步骤 0：确认解析模式（normal / detail） - [ ] 步骤 1：环境就绪（venv + env.sh 凭证） - [ ] 步骤 2：执行 parse-las - [ ] 步骤 3：检查 meta.json.postprocess + output.json.validation - [ ] 步骤 4：按"结果回复模板"汇报
第 0 步：确认解析模式（必须先执行）
请选择 PDF 解析模式： | 模式 | 说明 | 价格 | |--------|-----------------------------------------------|-----------| | normal | 默认，单次推理，速度更快，适用于结构清晰的文档 | 0.02 元/页 | | detail | 深度分析，对复杂表格/扫描件/印章精度更高 | 0.04 元/页 | 推荐：A股/港股标准年报选 normal；财报附注、合并报表跨页、扫描合同选 detail。
- 用户未明确指定 → 默认
normal
第 1 步：环境就绪（仅首次）
cd {skill_directory} &&
(test -d .venv || (python3 -m venv .venv &&
.venv/bin/pip install -r ../../requirements.txt)) &&
.venv/bin/python3 scripts/skill.py info
info 命令验证 VLM 配置（仍用于 v0.2 fallback 路径的健康检查）。
首次使用必须先填好 env.sh —— 把 LAS_API_KEY / TOS 凭证替换成你自己的值。
框架会在 skill 目录自动加载 env.sh，无需手动 source。
第 2 步：执行解析
.venv/bin/python3 scripts/skill.py parse-las --input--output --parse-mode normal
- stdout 输出一行 JSON：
{"status":"COMPLETED","task_id":"...","page_count":N,"table_count":N,"postprocess":{...},"preview":"..."} - stderr 输出过程日志（TOS 上传、LAS submit/poll、后处理进度、validator warnings）
- 默认开启金融后处理；传
--no-postprocess跳过（通用文档场景）
第 3 步：检查 meta.json + output.json.validation
meta.json 必读字段：
| 字段 | 含义 | 处理 |
|---|---|---|
status |
COMPLETED / FAILED | FAILED 时看 error_msg |
page_count / table_count |
LAS 解析的页数 / 表格数 | 对比 GT 检查漏抽 |
postprocess.merged_table_count |
跨页合并后的表数 | 通常 < raw_table_count 表示有合并 |
postprocess.validation_warning_count |
业务规则不一致计数 | > 0 时看 output.json 的 tables[].validation |
wall_time_seconds |
端到端耗时 | 评测对比用 |
output.json 关键 sub-field（v0.3 新增）：
tables[].statement_type：balance_sheet/income_statement/cash_flow/equity_changetables[].declared_unit：从表头声明文本中识别的单位（如 "百万元"）tables[].column_paths：每列多级表头展平的 path（如 "本集团 / 2026年3月31日(未经审计)"）tables[].source_pages：跨页合并后的源页号数组tables[].validation：业务规则校验结果（warnings 列表）
第 4 步：结果回复模板
✅ 解析完成
📄 文档信息
- 文件：{filename}
- 页数：{page_count} | 表格：{table_count}（合并后 {postprocess.merged_table_count}）
- 模式：{parse_mode} | 耗时：{wall_time}s
📁 输出
- 业务 JSON：{output_dir}/output.json（符合 assets/output_schema.json）
- 整篇 Markdown：{output_dir}/output.md
- LAS 原始响应：{output_dir}/result.full.json
- 单页 markdown：{output_dir}/pages/p{N}.md
⚠️ 注意（若有）
- 业务规则 {N} 处不一致：查看 output.json.tables[].validation.warnings
输出目录结构
{output_dir}/
├── output.json # ★ 金融业务 JSON（cells 含 value/unit/source_page/validation）
├── output.md # 整篇 markdown（≈ result.md）
├── meta.json # task_id / wall_time / postprocess 摘要
├── result.md # LAS 原始 markdown（表格为 HTML | 层 | 模块 | 职责 | |||||||||||||||||||||||||||||||||||||||
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 1 | html_table_parser.py | BS4 解析 LAS 的 |
