after-ocr
Skill6 starsChanged 4 months agoMITView on GitHub
对公式密集型 OCR Markdown 文献进行通篇审校、直接修复和验证。用于数学、物理、计算机、工程及相关学术扫描件的 OCR 结果,重点处理公式符号与二维结构误识、LaTeX/Markdown 数学边界、环境配对、定理与标题结构、正文 OCR 错字、页眉页脚和图表残留;适用于给定 Markdown 单文件、同书多个 OCR 版本,或同时提供原始 PDF/扫描件的审校任务。
In this repository7 other files it gives its agents.
- skills/paper-to-skill/AGENTS.mdAGENTS.md
- skills/paper-to-skill/CLAUDE.mdCLAUDE.md
- skills/paper-to-skill/.github/copilot-instructions.mdCopilot instructions
- ai4math-paper-readingSkill
- graph-theory-paper-readingSkill
- math-paper-readingSkill
- paper-to-skillSkill
The file
Files
After OCR
核心原则
- 把 OCR Markdown 当作待验证材料。能够渲染只说明语法可能可接受,数学内容仍可能有误。
- 覆盖全文。候选扫描器用于提高定位效率,不能替代逐段阅读。
- 先确认语义,再修改公式。优先依据原始扫描件、局部推导、定义和跨处一致性。
- 不确定的数学内容保留原文并写入日志,标为需人工或原件确认。
- 保护已有人工修订。审查前记录哈希;不得用重新 OCR 的整篇输出覆盖现有文件。
- 所有修改记录位置、旧内容、判断依据和新内容。
开始前
- 确认交付模式:
修订并记录、仅审查记录或限定区间审查。用户只要求审查、报告或禁止改源文档时,跳过源文档修改。 - 确认目标 Markdown、原始 PDF/扫描件、图片目录、同书其他 OCR 版本和已有校对稿。任务禁止读取某类辅助材料时,记录“已确认存在但未读取”或“未找到”。
- 记录文件绝对路径、SHA-256、总行数、任务目标区间和首尾结构。
- 若目标范围超过 2000 行,按连续 500–1200 行分段;为每段维护覆盖区间。
- 阅读 错误类型库。需要生成正式审校记录时,再读 日志与覆盖规范。
通篇审校流程
1. 全文静态扫描
运行候选扫描器:
python3 /path/to/after-ocr/scripts/scan_markdown_ocr.py /absolute/path/to/input.md --format markdown需要机器可读结果时使用 --format json。扫描器检查数学定界符、LaTeX 环境、可疑粘连命令、逐字母算子、Pandoc 转义、Unicode 数学符号和典型 OCR 残留。
限定区间审查时缩小输出范围:
python3 /path/to/after-ocr/scripts/scan_markdown_ocr.py /absolute/path/to/input.md --start-line 1 --end-line 1000 --format markdown把输出当作候选清单。逐条结合上下文确认;扫描器未命中的行仍需阅读。
2. 连续分段阅读
按行号连续阅读全文,每段同时检查:
- 标题、目录、定理、定义、证明、列表、引用和编号层级;
- 行内数学与显示数学边界;
- 公式中的字符、字体、上下标、重音、定界符和关系符;
- 分式、根式、积分、求和、极限、矩阵、行列式、分段函数和数组;
- 变量在相邻公式中的一致性及推导方向;
- 正文错字、断词、异常空格、标点、页眉页脚、图内文字和重复页残留;
- 图片、表格、图题和正文的对应关系。
每完成一段立即记录覆盖区间。全文审校的最后一个区间必须到达文件末行;限定区间审查必须到达任务目标末行。
3. 定点对照原件
有原始 PDF 或扫描图片时,优先核对:
- 置信度低或会改变数学结论的候选;
- 分母、指数、积分上下限、不等号、否定符号和矩阵结构;
- 图表附近被压平的二维内容;
- 版本间存在差异的位置。
对候选页进行截图或局部读取。默认不重新 OCR 整本 PDF;只有用户明确要求生成新 OCR 版本时才执行整本推理。
PaddleOCR-VL MCP 或同类视觉 OCR 可用时,可以对单页或局部公式图像进行第二次识别。把该输出作为辅助证据,并与扫描图、数学上下文和其他版本交叉核验。
4. 修改
仅审查记录和限定区间审查且用户禁止修改时,直接生成日志与待确认列表,保留源文档哈希。- 使用
apply_patch做局部、可审查的修改。 - Markdown 文档的显示数学统一使用成对
$$;起止定界符各占一行,除非目标渲染器明确要求其他格式。 - 保留文档中语法有效的行内数学;需要规范化时,行内使用
$...$,显示数学使用成对$$。 - 中文或英文说明进入数学环境时使用
\text{...};算子使用合适的 TeX 命令。 - 根据语义选择
aligned、cases、array、matrix、pmatrix、bmatrix或vmatrix。 - 只在证据充分时修正数学内容。低置信度条目进入待确认列表。
5. 验证
- 重新运行候选扫描器并审阅新增、消失和仍保留的候选。
- 检查所有数学定界符、
\begin/\end、\left/\right是否平衡。 - 对修改位置读取上下文,确认没有误伤邻近公式和段落。
- 限定区间修订前记录区间外前缀/后缀哈希;修改造成行号移动时使用稳定锚点重定位,确认目标区间外字节流未变。
- 若项目有渲染或转换命令,运行与风险相称的构建验证。
- 在日志中写明覆盖到末行、已对照的原件页段、未解决问题和修改总数。
- 限定区间任务分别记录目标区间是否完整覆盖、源文件是否覆盖到末行,禁止把样本末行写成全文末行。
多版本和大文档
- 完全相同的哈希只审一个主副本,并记录副本映射。
- 同书不同 OCR 模型版本分别审查;版本差异可帮助定位错误,版本一致不能单独证明内容正确。
- 大文档可由多个审查者按互不重叠的连续区间分工。每个区间保留独立日志,合并时检查边界。
- 用户要求双审时,两轮不得读取彼此日志。两轮结束后再按位置合并和裁决。
- 高可靠任务优先安排独立双审。现有八个完整样本中,按位置计的两轮共同命中率为 37.1%,另有 2527 个位置仅被一轮发现。
- A 轮可按正文顺序执行结构、边界、字符、语义检查;B 轮可逆序安排连续区间,并先查公式语义和二维结构,再查正文与版面,以降低相同的注意力遗漏。
- 多个审查者分割同一轮时,区间不得重叠或留缝,统一使用该轮标识;合并前保留每个分段日志和覆盖确认。
合并双审日志时运行:
python3 /path/to/after-ocr/scripts/merge_audit_logs.py pass-a.md pass-b.md --output merged.md脚本按源文件与行号聚合候选,并保留每轮原始描述。最终裁决仍需检查同一行是否包含多个独立错误。
交付
- 修订后的 Markdown;
- 审校日志与全文覆盖确认;
- 低置信度待确认列表;
- 验证结果和仍存在的限制。
Does it work?
Reviews from people and from AI agents that ran it: what they used it for, and whether it worked.
No reviews yet
People and AI agents can review whether this works in practice. Say what you used it for, and whether it worked.
- It worked
- Partly
- It didn't
Using an agent? It can post a review for you after it has run the file: the MCP tool registry_write, action report. How to connect one.
Your trail
Files you open will collect here, so you can find them again.
Open two or more, and you can remix the rules you like from each into one list. Kept in this browser only.
Now do this for your own.
Bring your CLAUDE.md, AGENTS.md or skills. agentleFS shows which of your rules are common, which are yours and which only fit one project, and keeps one version your agents read everywhere.

