Docx

DOCX 创建、编辑和分析

🎯 加载完整的 PAI 上下文

使用此技能执行任何任务前，请先加载完整的 PAI 上下文：

read ~/.claude/PAI/SKILL.md

其中包含：

• 完整联系人列表（Angela、Bunny、Saša、Greg 和团队成员）
• 技术栈偏好（TypeScript>Python、bun>npm、uv>pip）
• 安全规则和仓库安全协议
• 回复格式要求（结构化表情符号格式）
• Agent 路由的语音 ID（ElevenLabs）
• 个人偏好和操作说明

何时启用此技能

创建 Word 文档

• 用户说“创建 Word 文档”“新建 docx”或“制作文档”
• 用户想从头开始生成专业文档
• 用户需要带表格、图片或复杂布局的格式化文档

编辑 Word 文档

• 用户说“编辑 Word 文档”“修改 docx”或“更新文档”
• 用户提到“修订”“红线标注”或“文档审阅”
• 用户想在现有 .docx 文件中添加、删除或修改内容
• 用户需要处理批注、格式或文档结构

阅读和分析文档

• 用户说“读取 docx”“从 Word 中提取文本”或“分析文档”
• 用户想查看修订、批注或文档元数据
• 用户需要将文档转换为其他格式（markdown、PDF、图片）
• 用户想检查文档结构或原始 OOXML

上下文触发

• 用户提供 .docx 文件或 Word 文档路径
• 用户正在处理专业、法律、学术或商业文档
• 用户需要保留格式、跟踪修订或维护文档完整性

概述

用户可能会要求你创建、编辑或分析 .docx 文件的内容。.docx 文件本质上是一个包含 XML 文件和其他资源的 ZIP 压缩包，你可以读取或编辑这些内容。针对不同任务，你可以使用不同的工具和工作流。

工作流决策树

阅读/分析内容

使用下文的“文本提取”或“原始 XML 访问”部分

创建新文档

使用“创建新的 Word 文档”工作流

编辑现有文档

• 你自己的文档 + 简单修改 使用“基本 OOXML 编辑”工作流

• 他人的文档 使用**“修订工作流”**（推荐默认方式）

• 法律、学术、商业或政府文档 使用**“修订工作流”**（必需）

阅读和分析内容

文本提取

如果只需要读取文档文本内容，应使用 pandoc 将文档转换为 markdown。Pandoc 对保留文档结构的支持出色，还能显示修订：

# Convert document to markdown with tracked changes
pandoc --track-changes=all path-to-file.docx -o output.md
# Options: --track-changes=accept/reject/all

原始 XML 访问

以下内容需要访问原始 XML：批注、复杂格式、文档结构、嵌入媒体和元数据。要处理其中任何一项，都需要解包文档并读取其原始 XML 内容。

解包文件

python ooxml/Scripts/unpack.py <office_file> <output_directory>

关键文件结构

• word/document.xml - 文档主要内容
• word/comments.xml - document.xml 中引用的批注
• word/media/ - 嵌入的图片和媒体文件
• 修订使用 <w:ins>（插入）和 <w:del>（删除）标签

创建新的 Word 文档

从头创建新的 Word 文档时，请使用 docx-js，它支持通过 JavaScript/TypeScript 创建 Word 文档。

工作流

1. 必须 - 阅读整个文件：从头到尾完整阅读 docx-js.md（约 500 行）。**读取此文件时，绝不要设置任何范围限制。**开始创建文档前，请阅读完整文件内容，了解详细语法、关键格式规则和最佳实践。
2. 使用 Document、Paragraph、TextRun 组件创建 JavaScript/TypeScript 文件（可以假设所有依赖都已安装；如果没有，请参阅下文的依赖部分）
3. 使用 Packer.toBuffer() 导出为 .docx 文件

编辑现有 Word 文档

编辑现有 Word 文档时，请使用文档库（用于操作 OOXML 的 Python 库）。该库会自动处理基础设施设置，并提供文档操作方法。对于复杂场景，你可以通过该库直接访问底层 DOM。

工作流

1. 必须——读取整个文件：从头到尾完整阅读 ooxml.md（约 600 行）。**读取此文件时绝不设置任何范围限制。**阅读完整文件内容，了解文档库 API 和直接编辑文档文件的 XML 模式。
2. 解包文档：python ooxml/Scripts/unpack.py <office_file> <output_directory>
3. 使用文档库创建并运行 Python 脚本（参见 ooxml.md 中的“文档库”部分）
4. 打包最终文档：python ooxml/Scripts/pack.py <input_directory> <office_file>

文档库既提供适用于常见操作的高级方法，也支持在复杂场景中直接访问 DOM。

文档审阅的修订流程

此工作流支持你先使用 Markdown 规划全面的跟踪修订，再在 OOXML 中实施。**重要：**要完整实现跟踪修订，必须有条理地实施所有更改。

分批策略：将相关更改分成每批 3–10 项。这样既能提高效率，又便于调试。完成每批测试后，再继续下一批。

原则：最少且精准的编辑 实施跟踪修订时，只标记实际更改的文本。重复未更改的文本会增加审阅难度，也显得不专业。将替换拆分为：[未更改文本] + [删除] + [插入] + [未更改文本]。对于未更改的文本，应从原始内容中提取 <w:r> 元素并重复使用，以保留原始 run 的 RSID。

示例——将句子中的“30 days”改为“60 days”：

# BAD - Replaces entire sentence
'<w:del><w:r><w:delText>The term is 30 days.</w:delText></w:r></w:del><w:ins><w:r><w:t>The term is 60 days.</w:t></w:r></w:ins>'

# GOOD - Only marks what changed, preserves original <w:r> for unchanged text
'<w:r w:rsidR="00AB12CD"><w:t>The term is </w:t></w:r><w:del><w:r><w:delText>30</w:delText></w:r></w:del><w:ins><w:r><w:t>60</w:t></w:r></w:ins><w:r w:rsidR="00AB12CD"><w:t> days.</w:t></w:r>'

修订工作流

1. 获取 Markdown 表示形式：将文档转换为 Markdown，同时保留修订：

   pandoc --track-changes=all path-to-file.docx -o current.md
   

2. 识别并分组更改：检查文档并识别所有需要进行的更改，将其整理为逻辑批次：

   定位方法（用于在 XML 中查找更改）：

   • 章节/标题编号（例如，“第 3.2 节”“第 IV 条”）
   • 段落标识符（如果有编号）
   • 带有唯一上下文文本的 Grep 模式
   • 文档结构（例如，“第一段”“签名栏”）
   • 不要使用 Markdown 行号——行号无法对应到 XML 结构

   批次组织方式（每批分组 3–10 项相关更改）：

   • 按章节：“批次 1：第 2 节修订”“批次 2：第 5 节更新”
   • 按类型：“批次 1：日期更正”“批次 2：当事方名称更改”
   • 按复杂度：先进行简单的文本替换，再处理复杂的结构性更改
   • 按顺序：“批次 1：第 1–3 页”“批次 2：第 4–6 页”

3. 阅读文档并解包：

   • 必须完整阅读整个文件：从头到尾完整阅读 ooxml.md（约 600 行）。**阅读此文件时，绝不要设置任何范围限制。**特别留意“Document Library”和“Tracked Change Patterns”章节。
   • 解包文档：python ooxml/Scripts/unpack.py <file.docx> <dir>
   • 记下建议的 RSID：解包脚本会建议一个用于修订的 RSID。复制该 RSID，以便在步骤 4b 中使用。

4. 分批实施更改：按逻辑分组（按章节、类型或位置邻近程度），并在单个脚本中一并实施。此方法能够：

   • 便于调试（批次越小，越容易定位错误）
   • 支持逐步推进
   • 提高效率（每批处理 3–10 项更改效果较好）

   建议的批次分组方式：

   • 按文档章节（例如，“第 3 节更改”“定义”“终止条款”）
   • 按更改类型（例如，“日期更改”“当事方名称更新”“法律术语替换”）
   • 按位置邻近程度（例如，“第 1–3 页的更改”“文档前半部分的更改”）

   对于每批相关更改：

   a. 将文本映射到 XML：在 word/document.xml 中 Grep 文本，确认文本在 <w:r> 元素之间如何拆分。

   b. 创建并运行脚本：使用 get_node 查找节点、实施更改，然后调用 doc.save()。有关模式，请参阅 ooxml.md 中的 “Document Library” 章节。

   注意：编写脚本之前，务必立即对 word/document.xml 执行 Grep，以获取当前行号并核实文本内容。每次运行脚本后，行号都会改变。

5. 打包文档：完成所有批次后，将解包后的目录转换回 .docx：

   python ooxml/Scripts/pack.py unpacked reviewed-document.docx
   

6. 最终核验：全面检查完整文档：

   • 将最终文档转换为 Markdown：

     pandoc --track-changes=all reviewed-document.docx -o verification.md
     

   • 核验所有更改均已正确应用：

     grep "original phrase" verification.md  # 不应找到该文本
     grep "replacement phrase" verification.md  # 应找到该文本
     

   • 检查是否引入了非预期更改

将文档转换为图像

如需直观分析 Word 文档，请按以下两个步骤将其转换为图像：

1. 将 DOCX 转换为 PDF：

   soffice --headless --convert-to pdf document.docx
   

2. 将 PDF 页面转换为 JPEG 图像：

   pdftoppm -jpeg -r 150 document.pdf page
   

   这会生成 page-1.jpg、page-2.jpg 等文件。

选项：

• -r 150：将分辨率设为 150 DPI（可根据质量和文件大小之间的平衡进行调整）
• -jpeg：输出 JPEG 格式（如需 PNG，可使用 -png）
• -f N：要转换的起始页（例如，-f 2 从第 2 页开始）
• -l N：要转换的末页（例如，-l 5 转换到第 5 页为止）
• page：输出文件的前缀

指定范围的示例：

pdftoppm -jpeg -r 150 -f 2 -l 5 document.pdf page  # Converts only pages 2-5

代码风格指南

重要：生成用于 DOCX 操作的代码时：

• 编写简洁的代码
• 避免冗长的变量名和冗余操作
• 避免不必要的打印语句

示例

示例 1：从头创建文档

User: "Create a Word doc with my consulting proposal"
→ Reads docx-js.md for syntax
→ Builds document with headers, body text, tables
→ Exports .docx file to specified location

示例 2：审阅合同并标注修订

User: "Add tracked changes to this contract - change the payment terms"
→ Unpacks document, reads ooxml.md
→ Implements tracked changes with proper <w:ins>/<w:del> tags
→ Repacks document with visible redlines for review

示例 3：从 Word 文件中提取内容

User: "What's in this Word doc?"
→ Converts to markdown using pandoc
→ Preserves tracked changes and structure
→ Returns readable text with formatting preserved

依赖项

必需的依赖项（如尚未安装，请安装）：

• pandoc：sudo apt-get install pandoc（用于提取文本）
• docx：npm install -g docx（用于创建新文档）
• LibreOffice：sudo apt-get install libreoffice（用于转换为 PDF）
• Poppler：sudo apt-get install poppler-utils（用于使用 pdftoppm 将 PDF 转换为图像）
• defusedxml：pip install defusedxml（用于安全地解析 XML）