Agent Skills

pdfvision 在 skills/pdfvision/ 中包含 Agent Skills。它們告訴代理何時呼叫 CLI、先嘗試哪些參數，以及何時升級到版面、渲染、OCR 或視覺區域裁切。

PDF 工作很少能用一個固定命令解決。一個有用的代理應檢查第一輪結果，發現缺失或可疑證據，並選擇下一次 pdfvision pass。內建 Agent Skills 編碼了這個 workflow，使每個代理工作階段不必重新發現它。

安裝

npx skills add yamadashy/pdfvision

全域安裝：

npx skills add yamadashy/pdfvision -g

Agent Skills 涵蓋內容

• 可讀 PDF 的預設擷取流程。
• 使用密度訊號發現靜默失敗。
• 何時加入 --layout、--render、--ocr、--image-boxes 或 --visual-regions。
• 何時用 --search 和 --render-region 做 evidence-focused crops。
• 結構化輸出參考文件的路由。
• OCR 語言和 traineddata 疑難排解。

Agent Skills 的主指令刻意保持簡短，只在任務需要時指向 references。

代理工作流程

支援 Agent Skills 的代理通常應該：

1. 從結構化擷取開始。
2. 檢查 overview fields、page quality 和 warnings。
3. 當位置重要時加入 layout 或 visual boxes。
4. 當使用者詢問特定條款、指標、標籤或欄位值時，搜尋 exact evidence。
5. 只有需要視覺驗證時才渲染頁面或區域。
6. 當原生文字缺失、稀疏或與視覺矛盾時使用 OCR。

這能保持互動高效，同時仍讓代理有機會像人類讀者一樣查看 PDF。

何時安裝

在代理經常讀取 PDF、報告、投影片、表單或掃描文件的專案中安裝 Agent Skills。已經使用 Claude Code、Codex、Cursor 或其他支援 Agent Skills 的代理環境的 repository 尤其適合。