@civilization/dsh-office-reader

DeepSeek Harness (DSH) 原生多格式文档透视与解析插件（PDF / Excel / Word）

🌟 核心特性

• 🛡️ Token 上下文安全防爆机制： 文档往往体量庞大（动辄上百页 PDF 研报或数万行 Excel），盲目读取容易消耗天价 Token 甚至超出上下文限制。本插件提供两阶段渐进式阅读，先透视结构大纲，再按需切片读取。
• 📑 全格式覆盖（纯 JS 本地解析，零外部依赖）：
  • PDF (.pdf)：提取元数据、大纲、支持按页码区间（如第 1-5 页）精准抽取。
  • Excel (.xlsx, .xls, .csv, .tsv)：透视所有工作表（Sheets），将数据清洗转换为对模型极其友好的标准 Markdown 表格或结构化 JSON，支持行列安全截断。
  • Word (.docx)：语义化解析为层级 Markdown，完整保留标题（#、##）、列表与数据表格，支持按二级标题定位抽取。
• 🤖 专属 AI Agent Tools 与 Skill： 为模型赋予 5 大语义化工具（doc_inspect、doc_read_pdf、doc_read_excel、doc_read_word、doc_parse_auto），当用户在会话中提及任何文档或输入 @document.pdf 时，AI 自动调用专属工具精准分析。
• 🎨 DSH 官方右侧栏看板： 右侧独立功能面板提供输入文档路径一键“透视结构”与“提取预览”，并实时估算 Token 消耗。

🧭 AI 模型专属工具集 (Tools)

| 工具名称 | 核心功能简介 | | :--- | :--- | | doc_inspect | 文档结构快速透视：在读取大文档前先执行此工具，获取总页数、工作表清单、标题与估计 Token，防止盲目读取。 | | doc_read_pdf | 分页按需读取 PDF：支持指定页码范围（如 startPage: 1, endPage: 5）或特定离散页码（如 [1, 3, 5]），杜绝超长研报撑爆上下文。 | | doc_read_excel | Excel 表格转 Markdown：指定工作表读取，自动转换为对齐良好的 Markdown 表格，内置默认 100 行安全截断。 | | doc_read_word | Word (.docx) 语义化提取：将 Word 转化为标准 Markdown，支持按指定小节标题（如 targetHeading: "项目背景"）精准提取。 | | doc_parse_auto | 万能一步提取入口：自动根据后缀识别格式，适合中小文件（< 5 页 PDF 或小型表格）一步获取结构化文本与摘要。 |

⚙️ 配置项 (Settings)

本插件采用 @deepseek-ai/schemastery 标准，可在 DSH 官方设置面板中可视化配置：

| 配置项 | 类型 | 默认值 | 说明 | | :--- | :---: | :---: | :--- | | maxPdfPagesPerRead | number | 20 | 单次读取 PDF 的最大页数软上限 | | maxExcelRowsPerRead | number | 100 | 单次读取 Excel 表格的默认最大行数截断 | | maxTextCharsLimit | number | 40000 | 单次提取正文的最大字符数安全阈值（默认 40,000 字） | | enableFormatPreview | boolean | true | 是否在右侧栏启用文档透视面板 |

🏗️ 构建与调试

# 1. 安装依赖
pnpm install

# 2. 编译打包（双端产物：Node 宿主 + 浏览器侧边栏）
pnpm run build

# 3. 类型检查
pnpm run typecheck

# 4. 运行自动化测试
node tests/test-parsers.mjs