夜雨聆风
上一篇《别再把 RAG 当知识库：用 AutoClaw 搭一套会进化的 Karpathy LLM Wiki》发出后，很多朋友已经把基础流程跑起来了。
但很快，一个问题反复出现：
AutoClaw 为什么一读 PDF 就容易翻车？
有人论文顺序乱了，有人财报表格被拆碎，有人公式没了、图注错位了，扫描件更是直接读不出来。
这通常不是 LLM-Wiki 的问题，也不是 AutoClaw 不行。
真正的问题在入口：
PDF 解析这一步，已经把原材料弄坏了。
LLM-Wiki 的核心不是“临时问答”，而是在 ingest 阶段把资料编译成 source、concept、analysis、索引、日志和 QA。入口错了，后面生成得再漂亮，也是在错误原料上加工。
所以这篇只解决一个关键问题：
给 AutoClaw 装上 PaddleOCR 文档解析和 OCR 技能，让 LLM-Wiki 先读准，再沉淀。
很多人最开始用 pdfplumber 读 PDF。它对文本层干净、排版简单的文件很好用，但真正放进 LLM-Wiki 的资料往往没这么乖。
更常见的是：
• 论文：双栏、公式、图表、参考文献 • 财报研报：跨页表格、指标口径、附注说明 • 手册资料：截图、流程图、代码块、复杂目录 • 扫描件：没有文本层，本质是一张张图片
普通文本提取最容易出四类问题：阅读顺序错、表格结构丢、公式符号坏、扫描件失准。临时问答还能忍，但 LLM-Wiki 会把结果写进 pages/，后续继续引用和回写。入口错误会变成长期错误。
遇到 PDF 翻车，很多人的第一反应是继续改 prompt。但如果解析层已经失败，prompt 没法凭空还原原文结构。
正确思路是：
先让 AutoClaw 具备更强的文档解析能力，再让 LLM-Wiki 做知识编译。
这次安装两个 PaddleOCR Skills：
paddleocr-doc-parsing：文档解析
适合复杂 PDF、论文、财报、研报、白皮书和产品手册。重点是保留标题、段落、阅读顺序、表格、公式、图表和版面结构。
paddleocr-text-recognition：文字识别
适合图片、照片、截图、扫描件和图片型 PDF。
一句话：
复杂文档走文档解析，图片文字走文字识别。
原来的 LLM-Wiki 流程是：把资料放进 raw/，让 AutoClaw 按 SCHEMA.md 生成 source、concept、analysis、index、log 和 QA。
当 raw/ 里是 PDF、扫描件或图片时，中间要补一层高精度解析：先用 PaddleOCR 读准结构，再让 LLM 理解、压缩、链接和回写。
1. ClawHub Token
访问 https://clawhub.ai，登录后进入 Settings，创建 API tokens。它通常以 clh_ 开头。
2. PaddleOCR API 信息
访问 https://www.paddleocr.com，进入模型服务页面，复制三项信息：
• PaddleOCR-VL-1.5 的 API_URL • PP-OCRv5 的 API_URL • PaddleOCR 官网 的 Access Token
文档解析 API 给复杂 PDF 用，文字识别 API 给图片和扫描件用，Access Token 两个技能共用。
克隆提示词仓库：
“git clone https://github.com/AIwork4me/llm_wiki_prompt.git”
打开： prompts/install_paddleocr_skills_prompt.md
只改开头“配置区”里引号内的值：
然后，把整份提示词发给 AutoClaw。
看到安装成功、配置持久化、smoke test 通过，就说明 PaddleOCR 技能已经安装成功。
让 LLM-Wiki 真正用上它
技能装好后，不要只说 "请 ingest raw/articles/attention.pdf"，而要明确分两步：
"请先使用 paddleocr-doc-parsing 解析 raw/articles/attention.pdf， 尽量保留章节、阅读顺序、表格、公式、图表标题和图注。 解析完成后，再按当前 SCHEMA.md 执行 LLM-Wiki ingest： 创建或更新 source 页，提炼 concept / entity / analysis， 同步 index.md，在 log.md 记录，并生成 qa-reports/self-check。"
如果处理截图或扫描件：
"请使用 paddleocr-text-recognition 提取 raw/images/xxx.jpg 的文字， 再把识别结果作为 raw source 写入 LLM-Wiki。 QA 中说明原始文件、使用技能、低置信区域，以及哪些内容是模型综合。"
重点是：不要直接“总结 PDF”。先解析，再 ingest；先保真，再压缩。
LLM-Wiki 最重要的不是“自动生成很多 Markdown”，而是让资料成为可追溯的 source，更新已有概念，修正旧结论，并在未来继续被复用。
这一切都有一个前提：
原始资料必须先被读准。
PaddleOCR 给 AutoClaw 补上的，正是这个前提。
PDF 读准了，source 页才稳；source 页稳了，concept 页才不会乱；query-writeback 才真的有复利。
从现在开始，把资料放进 raw/，让 AutoClaw 先用 PaddleOCR 读懂它，再按 SCHEMA.md 编译进 wiki。
好资料进来，好结构留下，好知识越用越多。
• PaddleOCR Agent Skills 文档：https://www.paddleocr.ai/latest/version3.x/deployment/skills.html • ClawHub Document Parsing：https://clawhub.ai/bobholamovic/paddleocr-doc-parsing • ClawHub Text Recognition：https://clawhub.ai/bobholamovic/paddleocr-text-recognition
