DocHub

# dochub / 文档工作台 ## 技能简介 dochub 是一个专业的文档知识库管理技能，负责将原始文档初始化为标准 Markdown 格式，提供专业的知识库文档概要与索引，并能根据检索内容分析、汇总并回复用户问题。 ## 支持的文档格式 | 格式 | 状态 | 说明 | |------|------|------| | **.docx** | ✅ 支持 | Word 现代格式 | | **.xlsx** | ✅ 支持 | Excel 现代格式 | | **.doc / .xls / .pdf / .pptx / 其他** | ❌ 不支持 | 请先转换为 .docx 或 .xlsx | > **注意**：dochub 仅支持处理 .docx 和 .xlsx 两种格式，其他格式文档将被跳过并提示用户。 ## 核心功能 ### 1. 初始化（init） 将工作区原始文档转换为标准知识库格式： ``` 原始文档 → raw/ → 安全确认 → 检测不支持的格式 → MD转换(.docx/.xlsx) → 生成知识库概要与索引 ``` **步骤说明：** 1. **安全确认**：询问用户文档是否已脱敏（不含敏感个人信息、机密数据等），必须确认后才继续 2. **移动原始文档**：将所有原始文档统一移动到工作区根目录 `raw/` 文件夹 3. **文件名规范化**：只保留中文、英文、数字及中横线 `-`，其余字符统一替换为 `-` 4. **检测不支持的格式**：扫描非 .docx/.xlsx 文件，如发现则列出并提示用户这些文件将被跳过 5. **MD 文档转换**：使用 `markitdown` 按原目录结构转换为 MD 文档 - 仅支持格式：.docx, .xlsx - 转换前检查目标文件是否存在 - 首次存在时询问用户选择「跳过」或「覆盖」，后续自动应用该选择 6. **生成知识库概要与索引**：生成 `_docs_knowledge_base.md`，包含： - 文档统计概览（总数、大小、分类数） - 分类目录树（可视化结构） - 高频关键词标签云 - 文档详细索引（按分类组织的文件清单） ### 2. 增量更新 将新文档放入 `update/` 目录后，运行增量更新： - **安全确认**：同样需要先确认文档已脱敏 - **检测新增/变更文档** - **检测不支持的格式**：列出非 .docx/.xlsx 文件并提示跳过 - **仅转换未转换或已修改的文件** - **更新知识库概要与索引** ### 3. 检索与问答 支持以下检索方式： - **全文检索**：在 MD 文档中搜索关键词 - **分类检索**：按文档分类查找 - **语义问答**：基于文档内容回答用户问题 ## 使用方式 ### 初始化知识库 ``` 使用 dochub 技能，初始化文档知识库 ``` 或指定工作区： ``` 使用 dochub 技能，初始化 [指定路径] 的文档知识库 ``` ### 增量更新 ``` 使用 dochub 技能，增量更新文档 ``` ### 检索文档 ``` 使用 dochub 技能，检索 [关键词] ``` ### 问答 ``` 使用 dochub 技能，回答：[问题] ``` ## 目录结构 ``` workspace/ ├── raw/ # 原始文档存放目录 ├── _docs_md/ # MD 文档输出目录 ├── _docs_knowledge_base.md # 知识库概要与索引（合并文档） └── update/ # 增量更新目录 ``` ## 依赖工具 - **markitdown** 0.1.5+：MD 转换核心工具 - **python-docx**：Word 文档处理 - **openpyxl**：Excel 文档处理 ## 注意事项 1. **格式限制**：dochub 仅支持 .docx 和 .xlsx 格式，其他格式（.doc/.xls/.pdf/.pptx 等）将被跳过并提示用户 2. **安全确认**：每次初始化或增量更新前，必须确认文档已脱敏 3. **备份原始文档**：初始化会修改文件名和目录结构，建议提前备份 4. **跳过/覆盖选择**：首次遇到重复文件时会询问，后续自动应用该选择 5. **原始文档保留**：转换后保留原始文档作为备份