扫描图书是一叠图片。搜索引擎、智能体或读者无法像引用文本那样引用图片;而简单导出的文本又掩盖了误识别的词、丢失的公式和损坏的表格。
Doclab Arcana 读取图书并返回经过检查的转写结果:Markdown 文本、每页的锚点、真实图片,以及精确列明哪些页面存在何种损坏的质量报告。它不会把坏页伪装成好页:有问题的图书会带着损坏标记发布,同时附上需要修复的页面清单。
这是 Knowledge Contract 链的第一步:将图书数字化,转换为整洁格式,连同图片和关系一起打包,然后才进行索引并纳入契约。
- 私有图书库
- 18 个资料包
- 输出
- Markdown、页面锚点、图片
- 运行设备
- 一台 Apple Silicon Mac
- 流水线
- Knowledge Contract 的第 1 环节
知识供应链
01
每一页都可引用
文本保留每页的锚点和原始图片,因此引文可以指向其确切来源页面。
02
如实报告损坏
私有图书库中的每个资料包都附有质量报告。损坏按页列出,不会被隐藏;目前没有证据支持从服务器集群交付损坏清单为空的公开资料包。
03
面向契约处理路径
可以通过命令将图书导出为 Knowledge Contract 候选包。导出后残留的问题仍可能使其处于 DAMAGED 状态;资料包不会自动获得 Talomnia KC2 准入。
扫描件为何还不是知识
无论新书还是旧书,输入都可能是页面图片,或文本层不可靠的文件。光学识别偏偏容易在关键位置出错:公式、表格、脚注和化学记号。
Doclab Arcana 将这些错误视为需要追踪的数据,而不是需要掩盖的噪声。每本书都会带着哪些内容读取良好、哪些内容未读取好的记录离开处理流程。
有意采用本地工作台
识别在一台 Apple Silicon 设备上运行,使用本地视觉模型和传统识别工具。读取图书不必将其传出设备。开发在其他环境中通过经过审查的变更完成,这台设备只运行已发布版本。
这一选择的代价很明确:当前工作台是一台电脑,还不是服务。
后续工作
接下来的工作依次是:读取化学教材中的公式与化学内容,重新读取完整表格,恢复脚注中丢失的词,为每本已发布图书交付 Knowledge Contract 资料包,以及增加俄语翻译阶段。
能力
已实现的能力
- 将扫描图书转写成带页面锚点和真实图片的 Markdown
- 为每本图书生成质量报告,逐页列出损坏
- 将完成的资料包发布到私有图书库
- 与 Conversion Arcana(doc-md-html)和 Knowledge Contract Arcana(contract.place)组成知识供给链,Doclab 是第 1 环节
规划中
- 为公版图书交付损坏清单为空的 Knowledge Contract 资料包(当前导出残留问题仍标记为 DAMAGED)
- 在图书库中的图书上验证原生数字图书的转写
- 读取公式与化学记号
- 对复杂表格进行整表重读
- 恢复脚注中丢失的词
- 为全部已发布图书交付 Knowledge Contract 资料包
- 增加俄语翻译阶段
- 以服务形式运行,而不再局限于单台设备
当前自主性等级
当前限制
工作台仅在一台电脑上运行;Mac OCR 运行时尚未通过服务器集群测量。公开的 contract.place 图书书架当前没有已发布条目。公式、复杂表格和脚注尚不能可靠读取。自主性等级尚未评估。
达到以下目标等级的路线图:—
- 从一本化学教材开始,正确读取公式与化学内容。
- 重新读取完整表格,而非逐单元格读取。
- 恢复脚注中丢失的词。
- 为全部已发布图书交付 Knowledge Contract 资料包。
- 增加俄语翻译阶段。
相关链接
下一步
查看当前实现与开发计划
“构建中”表示正在开发,不保证已经对公众开放。请以上述当前能力和路线图为准。
查看达到目标等级的路径