agentleFS
joaoguirunasjoaoguirunas/team-os/.claude/skills/doc-to-markdown/SKILL.md

doc-to-markdown

Skill6 starsChanged 2 days agoMITView on GitHub

Converter PDF, DOCX, XLSX, PPTX, ODT, RTF e HTML locais em Markdown na própria máquina — pandoc, pdftotext, openpyxl — para o agente ler pelo caminho sem gastar tokens com binário. Nada sai da máquina; PDF escaneado vira pendência de OCR local. Use ao receber extrato, nota, contrato, minuta, planilha ou deck de cliente.

  • Reads credentials
  • Installs packages

8 other projects use a version of this.

Adopted by

Most recently taken up by

The file

Files
SKILL.md

Documento → Markdown (local)

Agente não lê binário bem e paga caro por isso. Esta skill transforma o documento em um .md na mesma máquina, com tabelas preservadas e cabeçalho de origem, e o agente passa a trabalhar com o caminho do .md — nunca com o conteúdo colado no prompt.

Regra zero — o documento não sai da máquina

Contrato, extrato, nota fiscal, holerite, documento com CPF/CNPJ: nenhuma conversão usa serviço externo.

  • PROIBIDO --ocr hosted, API de "parse" na nuvem, upload para conversor online, MCP que envie o arquivo.
  • PROIBIDO baixar ferramenta nova sem o usuário pedir. Use o que já está instalado (command -v).
  • Se nenhuma ferramenta local resolve: pare e peça ao usuário (exportar CSV, instalar a ferramenta, mandar versão com texto). Pendência declarada vale mais que conversão vazada.

Ordem de ferramentas

Verifique antes: command -v pandoc pdftotext pdfinfo xlsx2csv ocrmypdf tesseract.

Entrada1ª escolhaAlternativaSe nada servir
PDF pequeno (≤ ~10 páginas, só para ler)Read nativo do Claude Codepdftotext -layout—
PDF de texto (maior, ou para guardar)pdftotext -layout (poppler)Read nativo em faixas de páginaspedir brew install poppler
PDF escaneado (sem camada de texto)ocrmypdf / tesseract locais, se instalados—[DOC PENDENTE — precisa de OCR local]
DOCX, ODT, RTF, HTML, EPUBpandoc -t gfm—pedir ao usuário salvar como PDF de texto
PPTXpandoc -f pptx (pandoc recente)Read nativo do PDF exportadopedir export em PDF
XLSXpandoc -f xlsx só se pandoc --list-input-formats listar xlsxxlsx2csv, ou python3 com openpyxl se já instaladopedir ao usuário exportar CSV
CSV / TSVpandoc -f csv (vira tabela)ler direto—
@firecrawl/anydoc (opcional)ver seção própria——

Observações:

  • python3 puro (stdlib) não lê xlsx de forma confiável — não improvise parser de XML.
  • pandoc antigo não lê xlsx nem pptx; confira a lista de formatos antes de prometer.
  • .doc, .xls e .ppt (formatos binários antigos): peça ao usuário salvar como .docx/.xlsx/.pdf.

Script — convert.sh

Detecta a extensão, escolhe a ferramenta disponível, grava o .md e imprime só metadados (nunca o conteúdo):

bash "${CLAUDE_PROJECT_DIR:-$(git rev-parse --show-toplevel 2>/dev/null || pwd)}/.claude/skills/doc-to-markdown/scripts/convert.sh" "<arquivo>" ["<saida.md>"]

Saída, uma chave por linha:

ChaveSignificado
OUT=caminho do .md gerado (padrão: <arquivo>.md, ao lado do original)
TOOL=ferramenta usada (pdftotext -layout, pandoc -f docx -t gfm, python3+openpyxl…)
PAGES=páginas do PDF (via pdfinfo)
PENDING=ocrPDF sem texto — precisa de OCR local
PENDING=csvplanilha sem leitor local — pedir CSV
OCR_LOCAL=ocrmypdf ou tesseract encontrado — oferecer ao usuário

Código de saída: 0 gerou o .md (mesmo com pendência), 1 a ferramenta falhou, 2 arquivo inexistente ou extensão não suportada. O script não acessa rede.

Onde salvar

  • Padrão: ao lado do original — extrato-2026-09.pdf → extrato-2026-09.pdf.md.
  • Pasta do original é só leitura, compartilhada ou do cliente: salve na pasta de trabalho da sua área (ex.: docs/smart-memory/agents/finance/<área>/fontes/) passando o 2º argumento.
  • Nunca dentro de _archive/, nunca em pasta versionada pública se o documento tem dado pessoal.

Cabeçalho obrigatório do .md

Todo .md convertido começa com um comentário que diz de onde veio:

<!-- doc-to-markdown
origem: contratos/fornecedor-x.pdf
ferramenta: pdftotext -layout
data: 2026-10-20 14:32
páginas: 12
aviso: Extraído de PDF com layout: conferir números e tabelas contra o original.
-->
  • O aviso é obrigatório em todo PDF: pdftotext -layout alinha colunas por espaço e pode quebrar tabela, juntar colunas ou trocar vírgula decimal de lugar.
  • Converteu manualmente (Read nativo, outra ferramenta)? Escreva o mesmo cabeçalho à mão.

Passo a passo

  1. Confirme o arquivo e o objetivo: só ler uma cláusula? Read nativo pode bastar. Extrair valores ou reler várias vezes? Converta.
  2. Rode o convert.sh (ou a ferramenta da tabela) e guarde OUT=.
  3. Trate pendências:
    • PENDING=ocr com OCR_LOCAL=ocrmypdf → ofereça ao usuário: ocrmypdf --skip-text <in.pdf> <out.pdf> e reconverta o out.pdf. Com tesseract: tesseract <página.png> - -l por. Sem nenhum → registre [DOC PENDENTE — precisa de OCR local] na sua entrega e peça ao usuário.
    • PENDING=csv → peça ao usuário exportar a planilha como CSV (uma aba por arquivo).
  4. Confira amostra: abra só o trecho que importa (Read com offset/limit, ou grep -n pelo termo) e compare 2–3 números com o original.
  5. Passe o caminho, não o texto: na mensagem ao colega ou no DIGEST, cite OUT= + o trecho/linha relevante. Nunca cole o documento inteiro em mensagem, task ou prompt.

Ler o .md gastando pouco

  • wc -l <arquivo>.md antes de abrir; acima de ~400 linhas, leia por faixas.
  • grep -n -i "valor\|vencimento\|multa" <arquivo>.md para achar a seção e ler só ela.
  • Tabelas grandes de planilha: filtre a aba/linhas que interessam antes de levar ao raciocínio.

Tabelas

  • pandoc → tabela GFM (| a | b |) direto. Confira cabeçalho e alinhamento.
  • pdftotext -layout → colunas por espaço. Se a tabela for usada em cálculo, reescreva só ela em GFM e marque (transcrita de PDF — conferir).
  • Número em pt-BR (1.234,56) fica como está no .md; converta só no cálculo, declarando a conversão.

@firecrawl/anydoc — opcional, com versão fixa

Útil quando pandoc/poppler não estão instalados e há Node 20+. Só com versão fixa e sem OCR remoto:

npx --yes @firecrawl/anydoc@0.2.4 "<arquivo>" -o "<arquivo>.md"
  • Versão fixa 0.2.4 (publicada em 27/08/2026). Nunca npx -y @firecrawl/anydoc sem versão.
  • Nunca --ocr hosted, --api-key nem FIRECRAWL_API_KEY: isso envia o documento a serviço externo. Saída 3 do anydoc = PDF precisa de OCR → siga o passo 3 acima.
  • O 1º uso baixa o pacote do npm: peça OK ao usuário antes.
  • Escreva o cabeçalho obrigatório à mão depois.

Checklist antes de entregar

  • Nenhum serviço externo tocou no documento
  • .md com cabeçalho (origem, ferramenta, data, páginas, aviso se PDF)
  • Pendência marcada ([DOC PENDENTE — …]) em vez de conteúdo vazio
  • 2–3 números conferidos contra o original
  • Mensagem/entrega cita o caminho, não o conteúdo inteiro

Anti-padrões

  • Colar o texto do contrato inteiro na mensagem para o colega.
  • "Resolver" PDF escaneado mandando para OCR online.
  • Tratar .md de pdftotext como verdade sem conferir números.
  • Inventar valor de célula que a conversão perdeu — marque pendência.

Download now (ZIP)

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
What did you use it for? e.g. Reviewing pull requests in a Rails app

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.