AI PDF 處理標準作業程序 (AI-PDF Processing SOP)

AI PDF 處理標準作業程序 (AI-PDF Processing SOP)
適用場景：處理財報、法律文件、長篇技術手冊、掃描檔或任何頁碼邏輯複雜的 PDF。 核心目的：徹底解決「機器導航」與「人類引用」的座標衝突，並防止因檔案壓縮或非線性讀取導致的幻覺。
任務指令：高精度 PDF 讀取與分析
為了確保讀取的準確性，請嚴格執行本【AI-PDF 處理標準作業程序 (SOP) 】。
強制執行步驟：
診斷階段 (Diagnosis)：在回答任何問題前，先對檔案進行「第四部分：健康度檢查」。請告訴我這份檔案是「原生 PDF」還是「掃描/非標準 PDF」，以及你決定採用的策略。
座標鎖定 (Mapping)：請建立全域索引，告訴我「PDF Index 0」對應的「印刷頁碼 (Printed Page)」是什麼？這將決定你的 Offset 修正邏輯。
無狀態執行 (Stateless)：在後續讀取時，嚴禁使用數學推算頁碼，必須視覺識別每一頁的頁腳。
以下是必須遵守的 SOP 規範：
第一部分：雙重座標導航策略 (Dual-Coordinate Strategy)
核心原則：徹底分離「機器運作」與「人類閱讀」的邏輯層。
1. 定義兩個真相 (Two Truths)
導航唯一真相 (Navigation SSOT) = PDF 工具索引 (Tool Index, $I$)
定義：檔案結構中的絕對序列 ($0, 1, 2, ..., N$)。
用途：僅供 AI 內部使用。調用 read_file(page_index=$I$) 或跳轉頁面時的唯一依據。
鐵律：嚴禁直接呈現給終端用戶。
引用唯一真相 (Citation SSOT) = 文件印刷頁碼 (Printed Page, $P$)
定義：頁面角落視覺上呈現的數字字符（如 $1$, $iv$, $A-1$）。
用途：僅供人類閱讀。生成報告、註腳、證據列表時的唯一引用依據。
2. 無狀態提取協議 (Stateless Extraction Protocol)
針對隨機存取（Random Access）或分塊處理場景，強制執行以下規則以防止慣性偏移：
**禁止推算 (No Calculation)**：嚴禁使用線性公式 $P = I - \text{Offset}$ 推導頁碼（例如：因為封面是 Index 0，所以 Index 40 一定是 Page 38）。
**禁止遞歸假設 (No Recursive Assumption)**：嚴禁假設 $P_{current} = P_{prev} + 1$。
**獨立視覺驗證 (Independent Visual Verification)**：無論從哪一頁開始讀取，AI 必須重新「看」該頁面的頁眉/頁腳，提取真實字符。若視覺上無頁碼，標記為 No_Num，絕不可自行補號。
第二部分：執行三步走 (The 3-Step Workflow)
Step 1: 建立全域索引 (Global Indexing) ——「雙映射」
在掃描檔案建立索引時，不計算偏移量，而是同時記錄兩組數據。
格式範例：Chapter 3: [p.15 (Printed) | Index 18 (Tool)]
指令：掃描全檔或指定範圍，將每一頁的視覺頁碼 $P$ 與工具索引 $I$ 綁定。
Step 2: 讀取與執行 (Execution) ——「無狀態讀取」
AI 在執行具體讀取任務時：
導航動作：接收指令跳轉至 Index $I$。
歸零確認：忽略所有前序頁面的歷史上下文，視當前頁為獨立實體。
視覺錨定：
掃描頁面角落，尋找字符 $P$。
比對檢查：若 $P \neq I$，以 $P$ 為準作為引用依據。
記憶動作：將內容存入記憶體時，標記其引用標籤為 p.15。
Step 3: 報告撰寫 (Reporting) ——「引用淨化」
在輸出最終回應時，執行「引用淨化 (Citation Hygiene)」：
過濾：強制剔除所有 Index $I$ 資訊。
輸出：只保留 (Source: Document Name, p.$P$)。
第三部分：壓縮與解析策略 (Compression & Extraction)
核心原則：根據檔案屬性動態切換處理模式（Text-First vs. OCR-First）。
1. 字體與文本層檢查 (Font & Text Layer)
檢查點：嘗試選取或提取文字流 (Text Stream)。
異常徵兆：
**文字轉曲線 (Outlining)**：視覺可見文字，但無法選取（選取到圖塊）。
**亂碼熔斷 (Mojibake)**：提取出的文字包含大量空方格 □ 或亂碼，與視覺字形明顯不符（字體編碼表丟失）。
選取率過低：全檔可選文字比例 < 5%。
AI 應對策略：
立即標記為 「非原生 PDF (Non-Native)」。
強制切換至 OCR 模式，完全忽略底層 Text Stream，僅依賴視覺層。
2. 圖像壓縮檢查 (Image Compression)
檢查點：圖像取樣率 (DPI)。
標準：OCR 最佳解析度建議為 300 DPI。
異常徵兆：
**低解析度 (< 150 DPI)**：文字邊緣模糊，易發生字形混淆（如 8 與 3）。
**高噪點 (JPEG Artifacts)**：文字周圍有雜訊斑點。
AI 應對策略：
標記 「源檔模糊 (Low Res)」。
啟用 「模糊推斷模式」：利用上下文語義修正 OCR 的拼寫錯誤，而非盲信 OCR 結果。
3. 結構與圖層檢查 (Structure & Layers)
檢查點：表單 (Forms)、隱藏圖層 (OCR Layer)。
異常徵兆：
隱藏 OCR 層品質差：許多掃描檔自帶透明文字層，但往往對位不準。
**未壓平 (Unflattened)**：填寫內容浮於底圖之上，直接讀取可能遺漏。
AI 應對策略：
視覺優先 (Vision-First)：若提取文字與視覺截圖嚴重不符，丟棄原檔文字層，由 AI 重新執行 OCR。
預處理壓平：在讀取前邏輯上將所有圖層合併，確保讀取到「人類所見」的最終狀態。
第四部分：檔案健康度檢查表 (File Health Check)
在處理任何 PDF 之前，AI 應先執行此診斷：
# AI PDF 處理標準作業程序 (AI-PDF Processing SOP)

> **適用場景**：處理財報、法律文件、長篇技術手冊、掃描檔或任何頁碼邏輯複雜的 PDF。
> **核心目的**：徹底解決「機器導航」與「人類引用」的座標衝突，並防止因檔案壓縮或非線性讀取導致的幻覺。

---

## 第一部分：雙重座標導航策略 (Dual-Coordinate Strategy)

**核心原則**：徹底分離「機器運作」與「人類閱讀」的邏輯層。

### 1. 定義兩個真相 (Two Truths)
* **導航唯一真相 (Navigation SSOT)** = **PDF 工具索引 (Tool Index, $I$)**
    * **定義**：檔案結構中的絕對序列 ($0, 1, 2, ..., N$)。
    * **用途**：**僅供 AI 內部使用**。調用 `read_file(page_index=$I$)` 或跳轉頁面時的唯一依據。
    * **鐵律**：嚴禁直接呈現給終端用戶。
* **引用唯一真相 (Citation SSOT)** = **文件印刷頁碼 (Printed Page, $P$)**
    * **定義**：頁面角落視覺上呈現的數字字符（如 $1$, $iv$, $A-1$）。
    * **用途**：**僅供人類閱讀**。生成報告、註腳、證據列表時的唯一引用依據。

### 2. 無狀態提取協議 (Stateless Extraction Protocol)
針對隨機存取（Random Access）或分塊處理場景，強制執行以下規則以防止慣性偏移：

* **禁止推算 (No Calculation)**：嚴禁使用線性公式 $P = I - \text{Offset}$ 推導頁碼（例如：因為封面是 Index 0，所以 Index 40 一定是 Page 38）。
* **禁止遞歸假設 (No Recursive Assumption)**：嚴禁假設 $P_{current} = P_{prev} + 1$。
* **獨立視覺驗證 (Independent Visual Verification)**：無論從哪一頁開始讀取，AI 必須重新「看」該頁面的頁眉/頁腳，提取真實字符。若視覺上無頁碼，標記為 `No_Num`，絕不可自行補號。

---

## 第二部分：執行三步走 (The 3-Step Workflow)

### Step 1: 建立全域索引 (Global Indexing) ——「雙映射」
在掃描檔案建立索引時，不計算偏移量，而是同時記錄兩組數據。
* **格式範例**：`Chapter 3: [p.15 (Printed) | Index 18 (Tool)]`
* **指令**：掃描全檔或指定範圍，將每一頁的視覺頁碼 $P$ 與工具索引 $I$ 綁定。

### Step 2: 讀取與執行 (Execution) ——「無狀態讀取」
AI 在執行具體讀取任務時：
1.  **導航動作**：接收指令跳轉至 Index $I$。
2.  **歸零確認**：忽略所有前序頁面的歷史上下文，視當前頁為獨立實體。
3.  **視覺錨定**：
    * 掃描頁面角落，尋找字符 $P$。
    * **比對檢查**：若 $P \neq I$，**以 $P$ 為準**作為引用依據。
4.  **記憶動作**：將內容存入記憶體時，標記其引用標籤為 `p.15`。

### Step 3: 報告撰寫 (Reporting) ——「引用淨化」
在輸出最終回應時，執行「引用淨化 (Citation Hygiene)」：
* **過濾**：強制剔除所有 `Index $I$` 資訊。
* **輸出**：只保留 `(Source: Document Name, p.$P$)`。

---

## 第三部分：壓縮與解析策略 (Compression & Extraction)

**核心原則**：根據檔案屬性動態切換處理模式（Text-First vs. OCR-First）。

### 1. 字體與文本層檢查 (Font & Text Layer)
* **檢查點**：嘗試選取或提取文字流 (Text Stream)。
* **異常徵兆**：
    * **文字轉曲線 (Outlining)**：視覺可見文字，但無法選取（選取到圖塊）。
    * **亂碼熔斷 (Mojibake)**：提取出的文字包含大量空方格 `□` 或亂碼，與視覺字形明顯不符（字體編碼表丟失）。
    * **選取率過低**：全檔可選文字比例 < 5%。
* **AI 應對策略**：
    * 立即標記為 **「非原生 PDF (Non-Native)」**。
    * **強制切換至 OCR 模式**，完全忽略底層 Text Stream，僅依賴視覺層。

### 2. 圖像壓縮檢查 (Image Compression)
* **檢查點**：圖像取樣率 (DPI)。
* **標準**：OCR 最佳解析度建議為 **300 DPI**。
* **異常徵兆**：
    * **低解析度 (< 150 DPI)**：文字邊緣模糊，易發生字形混淆（如 `8` 與 `3`）。
    * **高噪點 (JPEG Artifacts)**：文字周圍有雜訊斑點。
* **AI 應對策略**：
    * 標記 **「源檔模糊 (Low Res)」**。
    * 啟用 **「模糊推斷模式」**：利用上下文語義修正 OCR 的拼寫錯誤，而非盲信 OCR 結果。

### 3. 結構與圖層檢查 (Structure & Layers)
* **檢查點**：表單 (Forms)、隱藏圖層 (OCR Layer)。
* **異常徵兆**：
    * **隱藏 OCR 層品質差**：許多掃描檔自帶透明文字層，但往往對位不準。
    * **未壓平 (Unflattened)**：填寫內容浮於底圖之上，直接讀取可能遺漏。
* **AI 應對策略**：
    * **視覺優先 (Vision-First)**：若提取文字與視覺截圖嚴重不符，**丟棄原檔文字層**，由 AI 重新執行 OCR。
    * **預處理壓平**：在讀取前邏輯上將所有圖層合併，確保讀取到「人類所見」的最終狀態。

---

## 第四部分：檔案健康度檢查表 (File Health Check)

在處理任何 PDF 之前，AI 應先執行此診斷：

| 檢查維度 | 檢測指標 | 異常判斷 | AI 自動應對策略 (Auto-Fix) |
| :--- | :--- | :--- | :--- |
| **導航** | $P$ (Printed) vs $I$ (Index) | 數值不一致 (Offset) | 啟用 **雙重座標**：內用 Index 導航，外顯 Page 引用。 |
| **解析** | 文字提取品質 | 亂碼 / 空格 / 無法選取 | 放棄 Text Stream，強制啟動 **OCR 引擎**。 |
| **品質** | 圖像 DPI | < 150 DPI | 標記 **Low Res**，降低置信度閾值，啟用語義糾錯。 |
| **結構** | 向量路徑 | 有形狀無文字層 | 視為 **純圖像** 處理 (Vision/OCR)。 |
| **內容** | 隱藏層品質 | $Text_{extracted} \neq Text_{visual}$ | **丟棄原檔 OCR**，重新執行 AI OCR。 |
| **完整性** | 線性化 (Linearization) | 讀取時頁數計算錯誤 | 完整下載檔案後再解析，避免依賴 Fast Web View 表頭。 |