前言¶
水利、建築、機電、環境等行業的可研、初設、專篇往往成組交付，同一參數會在正文、表格和不同專業報告裏反覆出現。人工對照容易漏掉跨章節、跨文檔的數值衝突，事先維護一張「全項目參數表」再逐條覈對，成本也高。下面介紹社區 Skill auto-parameter-consistency-review（座標 @user_1b22b3b1/spec-param-verify）：從 .docx/.doc 中抽取重複出現的參數，做單位與名稱歸一、實體感知分組和跨文檔比對，輸出 Markdown 審查報告與 Excel 彙總表，且不依賴外部參數表或知識庫。
這是什麼¶
auto-parameter-consistency-review 是 SkillHub 上的社區 Skill（分類 office-efficiency，當前版本 2.1.0，發佈者 user_1b22b3b1）。它面向「無參數表」場景：由 Agent 按 SKILL.md 工作流調用自帶 Python 腳本完成解析與初篩，再由 LLM 做語義複覈，最終只交付 review-result.md 與 review-result.xlsx 兩類產物。頁面標註 requires_api_key=false，審查過程不強制外部 API Key。
SkillHub 頁面（截至撰寫時）顯示評分 100000、下載 1234 次。
核心功能¶
已覈實能力可概括爲以下幾條。
- 文檔解析：用
parse_docx.py將 Word 轉爲帶章節路徑的 blocks JSON；.docx首選python-docx，.doc可降級爲 antiword。單份 blocks 超過約 10 萬字符時，可用split_blocks.py按章節拆分後分批處理。 - 參數抽取與歸一：
param_extract.py從 blocks 中匹配參數名、數值、單位（含表格與複合尺寸），做單位歸一、參數名歸一，並按「實體 + 參數名」分組，僅保留出現 ≥2 次的組。 - 衝突二次複覈：
conflict_review.py過濾噪聲、識別比選方案/工況差異，並對水位、庫容等跨文檔全局參數加強一致性檢查。 - LLM 複覈：修正誤分組、補充腳本難捕獲的表達、確認跨文檔同一參數是否歸入同一組；多文檔場景必須做跨文檔交叉比對。
- 結構化輸出：
merge_review.py合併腳本結果與人工修正 JSON；review_to_excel.py將review-full-result.json轉爲 Excel。Excel 含四個工作表：統計彙總、衝突清單、需複覈、一致項（與簡介中的「統計彙總、衝突清單、需複覈、一致項」一致）。
硬約束包括：只審查重複參數；不同方案、工況、構築物或設備實例的同名參數不直接硬比；不編造文檔中不存在的參數或數值。
安裝與啓用¶
Skill 遵循通用 SKILL.md 格式。安裝前若本機沒有 SkillHub CLI，可先檢查版本：
command -v skillhub && skillhub --version
未安裝時可按 SkillHub 官方說明執行完整安裝（示例爲文檔中的推薦命令）：
curl -fsSL https://skillhub-1388575217.cos.ap-guangzhou.myqcloud.com/install/install.sh | bash
安裝 Skill 時須用 --dir 指向當前 Agent 的 skills 目錄，否則默認落在 ./skills/ 可能不會被識別。官方頁面給出的安裝提示爲：
請根據 https://skillhub.cn/install/skillhub.md，安裝 `@user_1b22b3b1/spec-param-verify`。
等價 CLI 示例（將 <skills 目錄> 換成你當前環境的路徑）：
skillhub install @user_1b22b3b1/spec-param-verify --dir <skills 目錄>
常見客戶端 skills 目錄（來自 SkillHub 安裝文檔）：Cursor 爲 ~/.cursor/skills/；Claude Code 爲 ~/.claude/skills/；Codex 爲 ~/.codex/skills/ 或項目下的 .agents/skills/。各環境路徑以官方文檔爲準，安裝後按各自客戶端要求刷新或重啓 Agent。
運行腳本前準備 Python 依賴：
pip install python-docx openpyxl
解析 .doc 時 SKILL 說明需安裝 antiword（文檔示例爲 macOS：brew install antiword）。
典型用法¶
下面是一條可復現的主線，腳本路徑中的 <skill_dir> 替換爲安裝後的 Skill 目錄。
1. 解析 Word 爲 blocks
python <skill_dir>/scripts/parse_docx.py <文檔路徑或目錄> review_blocks.json
2. 抽取、歸一、分組與初比較
python <skill_dir>/scripts/param_extract.py review_blocks.json pre_grouped_result.json
3. 衝突二次複覈
python <skill_dir>/scripts/conflict_review.py pre_grouped_result.json review_blocks.json refined_result.json
經 Agent 按 SKILL.md 完成 LLM 複覈後，合併結果並導出：
python <skill_dir>/scripts/merge_review.py pre_grouped_result.json review-full-result.json
# 若有 corrections.json：
# python <skill_dir>/scripts/merge_review.py pre_grouped_result.json review-full-result.json corrections.json
python <skill_dir>/scripts/review_to_excel.py review-full-result.json review-result.xlsx
同時應生成 review-result.md（含統計、衝突清單、需複覈、一致項摘要及證據）。典型觸發詞包括：參數一致性、參數審查、查參數矛盾、對參數、重複參數。
適用場景與注意¶
適合誰：需要批量覈對多份工程 Word 報告、又不想先建全量參數臺賬的團隊；專業跨度涵蓋水文、水工、機電、施工組織等，且同一實體下的水位、庫容、裝機等會在多文檔重複引用的項目。
限制與注意：
- 僅處理重複出現（≥2 次）的參數，單次出現的數值不會進入結論。
- 加密或損壞的文檔需先提供可解析的
.docx。 - 多文檔審查時文檔數大於 6 份，SKILL 建議每批不超過 4 份；分組過少時會標註「參數稀疏」。
- 大文檔務必控制每批 blocks 體量（經驗上 3～8 萬字符），避免抽取超時。
- 輸出以腳本 + LLM 複覈爲準，精度、單位換算和方案邊界仍需人工終檢「需複覈」表。
結尾¶
auto-parameter-consistency-review 把「從 Word 抽參 → 實體分組 → 跨文檔比對 → Markdown + Excel 交付」寫成固定工作流，適合作爲工程報告定稿前的參數一致性檢查步驟。官方 Skill 頁與 API 入口：
- https://www.skillhub.cn/skills/user_1b22b3b1/spec-param-verify
- https://api.skillhub.cn/user_1b22b3b1/spec-param-verify
