智学文档助手 (Study & Office Document Assistant)

“智学文档助手”是一个本地轻量级的 GUI Python 应用程序。该项目专为处理复杂的理工科文档（PDF、PPTX、DOCX 等）而设计，利用大语言模型 (LLM) 提取多模态内容和公式，能够自动生成结构化学习笔记或高度定制化的 Office 文件。

🌟 核心用途

本工具主要帮助学生、教师以及职场办公人士快速处理堆积如山的资料，其核心应用场景包括：

1. 学习笔记压缩 (Notes Extraction)： 将长篇累牍的复习资料（PDF/Word/PPT）精准压缩成理工科复习导向的笔记，自动抓取重点内容与公式，并生成易于复习的 Markdown 或 DOCX 文件。
2. 文档/表格生成 (Office File Generation)： 基于您上传的输入资料（文档或代码）和具体的需求说明，自动生成格式规范的商务可交付 Word 文档（DOCX）或结构化的 Excel 表格（XLSX）。

🚀 启动与使用方法

本项目已配置了自动化的虚拟环境管理，您只需双击运行即可。

1. 环境准备： 确保您的电脑上已安装 Python (推荐 3.8 - 3.12 版本)。
2. 启动程序： 双击根目录下的 run.bat 文件。
   • 首次运行时，脚本会自动在本地创建虚拟环境（.venv）并下载安装所需的依赖包，请耐心等待。
   • 后续运行将直接启动秒开。
3. 初次配置： 启动后，点击左侧导航栏的 "模型设置"：
   • 填入您的 API Base URL（如使用 OpenAI 官方接口或兼容镜像站）。
   • 填入您的 API Key。
   • 指定大模型名称（推荐使用支持 Vision 视觉能力的模型，如 gpt-4o, gpt-4o-mini，或其他兼容平台的视觉大模型）。
   • 设置保存后将永久写入本地 config.json，下次无需重新配置。

✨ 核心特性：双轨图像处理引擎

对于包含大量图表、公式的复杂文档，项目提供了两种处理模式，可在“模型设置”中切换：

• 大模型视觉 (Vision) 模式 [推荐 & 默认]： 系统会提取文档中的图片，将其转化为 Base64，直接交由具备原生视觉能力的 LLM 进行原生解析。这种方式对复杂理工科图表的理解能力最强。
• 本地 OCR 模式 (Fallback)： 如果您的模型不支持 Vision，系统可调用本地的 PaddleOCR 提取图片上的文本和公式。 (注：该功能依赖于 paddlepaddle，要求 Python 版本 <= 3.12。您可在设置页面点击“一键安装 OCR 环境”自动完成配置)。 (注：OCR 环境较为复杂，一键配置可能配置失败，建议自行配置)

---

🛠️ 技术文档

程序流程：将文件提取文本、公式、图片与结构等信息，与 prompt 和 skill 整合后发送给 llm，再将 llm 返回的信息整合为所需文件类型。

• prompts: llm提示词
• skills: llm skills
• ui: 图形化界面窗口脚本
• core:
  • agent_service agent 相关代码：提示词整合，skill整合，与llm api交互，限制输入输出格式等
  • docx_writer 将llm返回的文本转化为 docx 格式并输出文件
  • formula_extract docx 数学公式提取
  • formula_ocr OCR 进行图片公式提取
  • llm_client llm api 调用
  • skill_engine skill 整合脚本
  • text_extract 文件信息提取
  • xlsx_writer 将llm返回的文本转化为 xlsx 格式并输出文件
  • pptx_extractor 参考 MinerU 实现的 pptx 信息提取

---

感谢使用智学文档助手，祝您办公/学习效率倍增！