AgentServer/docs/research/document-analysis-approaches.md

官方客户端的文档分析方案调研

日期：2026-10-22

1. 结论

官方客户端都不是"单靠 Python"，而是三种手段组合：

1. 模型原生多模态阅读：图片、PDF 页面直接给模型看（理解版式、图表、截图）
2. 沙箱代码执行：计算、清洗、统计、作图、生成文件，以 Python 为主，docx 生成会用 Node
3. 技能/检索：用技能文档约束工具用法和产出质量；对大文档做检索，避免整篇塞进上下文

2. 各产品

Claude.ai（Anthropic）

• PDF/图片：模型原生支持 PDF 输入（每页提取文本并配上页面图像）与图片输入
• 代码执行与文件创建：在服务端沙箱容器中运行代码（Python 为主，也有 Node），可以读取上传文件、生成 xlsx/docx/pptx/pdf 供下载。更早的 "Analysis tool" 是在浏览器里跑 JavaScript，后来被这一能力取代
• 官方 Skills（本机 ~/.claude/skills/synced/ 中可见同款）：
  • xlsx：openpyxl（带公式和格式的读写）+ pandas（批量数据）+ markitdown；用 LibreOffice 的 recalc.py 重算公式并检查错误；要求写公式而不是写死结果
  • pdf：pypdf（合并、拆分、表单）、pdfplumber（文本和表格提取），提取出的表格交给 pandas
  • docx：docx-js（Node）生成新文档；编辑现有文档时解压后改 XML；读取用 pandoc -t markdown；转换和接受修订用 LibreOffice；pdftoppm 渲染预览
  • pptx：同类思路

ChatGPT（OpenAI）

• Code Interpreter / 数据分析：Python 沙箱（有状态的 Jupyter 内核），pandas、matplotlib 等，可以生成文件
• File Search：对上传文档切块做向量检索，回答时引用片段
• 视觉：图片、截图由模型直接理解

Claude Code / Codex CLI

• 没有托管沙箱，在本机执行同样的工具链
• Claude Code 的 Read 工具可以直接读取 PDF（按页）、图片、ipynb；Excel 等二进制格式靠 Python
• Codex 可以查看图片；PDF 等格式依赖本机命令（pdftotext 等）或技能
• 两者都支持 Agent Skills，可以共用同一份技能目录

3. 对本项目的启示

• Python 是正确的主力，但要配齐：pandas/openpyxl/pdfplumber/python-docx/markitdown + LibreOffice + pandoc + 中文字体
• 截图、扫描件、图表优先让模型直接看，不要先 OCR
• 引入官方技能（核对许可证），并补一份自定义"报告规范"技能
• 大数据源（内部平台查询结果）先落盘为文件，再用代码分析，不直接塞进上下文
• 大量本地资料需要检索层（FTS 或向量），对应 ChatGPT 的 File Search 思路，排在 M3