legal-text-format

法律文本格式化工具

概述

将法律文本（法律条文或法律案例）转换为规范的 Markdown 格式，删除推广冗余信息，自动识别文本类型并应用相应的格式化规则。

核心职责：只负责格式化和内容清理，不包含内容抓取能力。

与其他技能的协作

典型工作流程

场景：用户请求格式化网页上的法律文本

用户请求 → AI 判断来源 → 抓取类 skill 获取内容 → legal-text-format 格式化

示例流程：

1. 用户提供微信公众号链接 → AI 使用 wechat-article-fetch 抓取 → AI 调用 legal-text-format 格式化
2. 用户提供普通网页链接 → AI 使用其他工具抓取 → AI 调用 legal-text-format 格式化
3. 用户直接粘贴文本 → AI 直接调用 legal-text-format 格式化

技能职责边界：

• wechat-article-fetch / 其他抓取工具：负责从各种来源获取原始文本内容
• legal-text-format：负责对已获取的文本进行格式化和清理

核心原则

内容完整性保证：除格式调整和去除推广内容外，所有法律案例和法条的实质内容必须完整保留，不得有任何遗漏！

工作流程

步骤 1：分析文本类型

使用 LLM 分析输入文本：

• 判断是法律条文还是法律案例
• 识别文本结构特征（章节、条款、案号等）
• 确定适合的格式化策略
• 提取主题用于文件命名

分析提示词参考：

分析以下文本，判断其类型：
- 如果是法律条文：识别章、节、条的结构
- 如果是法律案例：识别案例标题、案号、案情、裁判结果、典型意义等
- 提取主题用于文件命名

步骤 2：保存原始内容

将输入的原始内容保存为本地 Markdown 文件：

• 文件位置：archive/{YYYYMMDD_HHMMSS}_{主题}/
• 文件命名：{YYYYMMDD}_{主题}_raw.md
• 目的：提供溯源依据，便于内容比对验证

归档目录结构示例：

archive/20250122_153400_个人信息保护检察公益诉讼典型案例/
├── 20250122_个人信息保护检察公益诉讼典型案例_raw.md      # 原始内容
├── 20250122_个人信息保护检察公益诉讼典型案例_formatted.md # 格式化后的内容（步骤4生成）
└── meta.json                                              # 元信息（可选）

步骤 3：格式化文本

重要：一次性处理完整文本，不进行分段。

格式化提示词（参考 examples.md 中的详细示例）：

请将以下法律文本格式化为规范的 Markdown 格式。

# 法律条文格式化规则
- 章前面添加二级 markdown 格式（##）
- 不同条文之间添加空行
- 每一条条文内部换行时不应有多余空行
- "第X条"进行加粗（**第X条**）
- 如果一段文字的最后没有句号或分号，则删除后方的回车
- 保持所有条文内容完整，不得遗漏任何条款

# 法律案例格式化规则
- 把英文标点符号替换成中文标点符号（包括括号、逗号、句号、冒号、分号等）
- 案例序号或名称前添加二级 markdown 格式（##），序号后要紧跟案例名称
- 每个案例的章节前添加三级 markdown 格式（###）
- 每个案例的章节内部不应有大于1个的空行（连续换行数不超过2个）
- 清理多余的连续空行，保持段落间适当的分隔
- 把数字格式调整为半角
- 内容范围限定：
  - 仅保留从第一个案例到最后一个案例的内容
  - 删除前面的文章介绍、作者信息、引言、目录等
  - 删除底部的宣传推广内容、二维码、公众号介绍、相关文章推荐等
  - 保留标准：只保留案例标题、案号、基本案情、裁判结果、典型意义等法律案例本身的内容
- 保持所有案例实质内容完整，包括案情、裁判、意义等所有部分

# 参考示例
详见 references/examples.md 文件，其中包含4个完整的格式化示例。

法律条文格式化规则摘要

• 章前面添加二级 markdown 格式（##）
• 不同条文之间添加空行
• 每一条条文内部换行时不应有多余空行
• "第X条"进行加粗（**第X条**）
• 如果一段文字的最后没有句号或分号，则删除后方的回车
• 保持所有条文内容完整，不得遗漏任何条款

法律案例格式化规则摘要

• 把英文标点符号替换成中文标点符号
• 案例序号或名称前添加二级 markdown 格式（##），序号后要紧跟案例名称
• 每个案例的章节前添加三级 markdown 格式（###）
• 每个案例的章节内部不应有大于1个的空行（连续换行数不超过2个）
• 清理多余的连续空行，保持段落间适当的分隔
• 把数字格式调整为半角
• 内容范围限定：
  • 仅保留从第一个案例到最后一个案例的内容
  • 删除前面的文章介绍、作者信息、引言、目录等
  • 删除底部的宣传推广内容、二维码、公众号介绍、相关文章推荐等
  • 保留标准：只保留案例标题、案号、基本案情、裁判结果、典型意义等法律案例本身的内容
• 保持所有案例实质内容完整，包括案情、裁判、意义等所有部分

步骤 4：保存

保存格式化后的文档：

• 文件位置：archive/{YYYYMMDD_HHMMSS}_{主题}/
• 文件命名：{YYYYMMDD}_{主题}_formatted.md
• 与 raw.md 保存在同一归档目录下

确定性脚本的保守边界

使用 python3 scripts/format_legal_cases.py 输入.md 输出.md 法院名称 原文URL 文档标题 处理案例文本。脚本仅需 Python 3 标准库；不联网、不调用模型，也不负责法条结构识别或语义核验。

• 先按工作流程保存原始内容；完成后将结果与原文比对。
• 不按日期、首个案例词、空段位置或固定字数裁切正文。函数调用方只有显式传入 keep_from_marker 才可指定前缀裁切点；CLI 默认保留前缀，含糊的介绍与推广文本留待人工确认。
• 只清理已识别的完整文末来源/结束标记及紧随其后的已知推广行；正文中的来源、联系等词、引用行和证据图片保留。无法判断是否属于页脚时保留，不能将脚本输出当作已完成语义清理的证明。
• 保留案例序号、小数、千分位、URL、邮箱、Markdown 链接与行内代码语法；围栏代码/证据块按原文保留；普通正文标点仍按中文排版规则调整，普通正文数字仍按既有规则转半角。
• 不保证解析任意嵌套 Markdown 或识别所有推广版式。对有歧义的边界及证据引文人工复核，不补写、摘要或省略案例内容。

回归检查：python3 -m unittest discover -s scripts/tests -v。测试只使用虚构案例，不能替代真实文书的完整性核验。

参考文档

格式化示例

详细的格式化示例和对比请参见 examples.md，包含：

• 4个完整的法律案例格式化示例
• 每个示例包含原始文本和格式化后的对比
• 格式化要点总结（标点符号处理、标题层级、空行处理、内容范围等）

准确性要求

• 不改变原文含义：格式调整不得改变法律文本的原意
• 保留关键信息：案号、法院名称、当事人等关键信息必须保留
• 序号保持：案例序号、条文序号不得修改

输出文档结构

归档目录组织

所有格式化结果按时间戳归档存储：

archive/
├── {YYYYMMDD_HHMMSS}_{文档主题}/
│   ├── {YYYYMMDD}_{主题}_raw.md        # 原始抓取内容
│   ├── {YYYYMMDD}_{主题}_formatted.md  # 格式化后的内容
│   └── meta.json                       # 元信息（可选）

命名规则：

• 目录名：{YYYYMMDD_HHMMSS}_{主题}（例：20250122_153400_个人信息保护典型案例）
• 文件名：
  • 原始文件：{YYYYMMDD}_{主题}_raw.md（例：20250122_个人信息保护典型案例_raw.md）
  • 格式化文件：{YYYYMMDD}_{主题}_formatted.md（例：20250122_个人信息保护典型案例_formatted.md）
• 主题限制：从文本中提取的核心主题，限制30字以内
• 日期格式：YYYYMMDD（例：20250122）

formatted.md 内容结构

# {文档标题}

## 元信息
- **原文链接**：{从原始文件的 `> 原文链接:` 行提取，无则省略此行}
- **处理时间**：{时间戳}
- **文本类型**：{法律条文/法律案例}

---

{格式化后的正文内容}

原文链接提取规则：当输入来自 wechat-article-fetch 时，原始 Markdown 文件头部包含 > 原文链接: https://mp.weixin.qq.com/s/xxxxx，必须提取该 URL 写入元信息的"原文链接"字段。

质量标准

• 标点符号统一：所有标点符号使用中文标点
• 数字格式统一：数字使用半角字符
• 层级结构清晰：正确使用二级、三级标题
• 空行规范：段落间空行适当，不过多也不缺失
• 内容完整性：保留所有法律相关内容，去除无关推广信息

适用场景

• 整理法律条文汇编
• 规范化法律案例集
• 准备法律学习材料
• 建立法律文本知识库
• 清理从网页抓取的法律文本

输入要求

本技能接受以下类型的输入：

1. 已抓取的文本内容：由其他 skill（如 wechat-article-fetch）获取的文本
2. 用户粘贴的文本：用户直接提供的文本内容
3. 本地文件：已保存的 Markdown/文本文件

不接受：网页链接（链接应由专门的抓取类 skill 处理）

来自 wechat-article-fetch 的自动调用

当 wechat-article-fetch 检测到法律内容且本技能已安装时，会自动链式调用本技能。此时输入为已保存的 Markdown 文件路径。处理流程不变：

1. 读取指定路径的 Markdown 文件内容作为输入
2. 按步骤 1-4 执行（分析类型、保存原始、格式化、验证）
3. 结果保存到本技能的 archive/ 目录
4. 文件路径记录在 formatted.md 元信息的"来源"字段中