前言¶

在 DeepSeek Harness（DSH）里做教材类任务时，常见原料是扫描版 PDF：没有文字层，PyMuPDF 取字数为 0，依赖 text layer 的工具在这里几乎无效。若把整本书 OCR 成 txt 再交给模型，成本高、表格被打散成碎片，也很难先判断「该读哪几章、哪几节、哪几页必须回原图看表」。社区插件 dsh-deep-reading-wl（维护者 SongFengManZhu，分类：工作流）把「从 PDF 到可交付读书心得骨架」拆成四条可重复步骤：先 OCR，再扫结构，再出章节阅读地图，最后压缩 OCR 噪声——产物是「该读哪几页」的地图，不是替你读完书。

这是什么¶

dsh-deep-reading-wl 是一条面向扫描版电子教材的流水线插件。一句话定位：PDF 经 OCR 得到带页标记的 txt，再输出章节骨架、失真地图、按章阅读建议，以及去掉表格碎片后的更短原文。仓库：GitHub - SongFengManZhu/dsh-deep-reading-wl；社区目录页：skillhub.cn 插件页。当前 package 版本为 0.2.0，许可证 MIT。DSH 生态强调「一切皆插件」；社区目录为独立站点，与 DeepSeek / 幻方无官方从属关系。

整体数据流如下（与 README 一致）：

PDF ──ocr──> txt ──scan──> 骨架与失真地图
                  ├─map────> 这一章该花多少时间
                  └─digest─> 压掉碎片的原文

四个工具在做什么¶

插件暴露四个工具，各自回答不同问题：

ocr¶

扫描版 PDF 无文字层时，该模式用 RapidOCR v3 + OpenVINO 引擎输出带页标记的 txt。README 记载：单进程 16 线程、120 dpi、PP-OCRv6 small；同机 ONNXRuntime 方案约 6 秒/页时，OpenVINO 约 1.2 秒/页。另会自动跳过扫描残页（墨迹极少且只落在上半页），并按纵坐标还原阅读顺序。mode=doctor 用于体检环境，mode=page 用于试读一页。

scan¶

读正文前的第一站，输出骨架与失真地图，例如页数、正文字符与行数、章节列表、承重墙（公式、定义句、推导句、图）以及数据表位置索引。它不判表格好坏——扫描件在 OCR 成纯文本后行列归属信息会丢失，因此降级为位置索引器：只标哪几页有表，行列须回原 PDF 查看。

map¶

把 scan 的结论翻译成动作。承重密度定义为 (公式 + 定义句 + 推导句) / 字符 × 1000；推导密集的节是重心，例题密集的节可能较轻。对 OCR 已损坏的表会提示需回 PDF 指定页取原图。chapter 参数可只算一章。

digest¶

OCR 文本中约 75% 可能是表格拆散碎片；插件逐行分诊（正文/公式/表格碎片/噪声），将碎片替换为类似 [表 11.7.1 在此，43 行已省略] 的一行，节标题、公式编号、定义句原样保留。输出不是摘要，是更短的原文（README 称通常保留约 87%）。from / to 可按页区间压缩。

安装与启用¶

README 中的安装面向「插件已在本机，装到别处」的场景，核心是 junction、package.json 的 link 依赖，以及 profile 层 cordis.patch.yml 的 insert——缺最后一步插件不会挂进配置树，日志里也可能没有报错。

# 1) 放进 profile 的 node_modules（用 junction，改代码即时生效）
cmd /c mklink /J "$env:APPDATA\dsh-desktop\harness\profiles\web\node_modules\dsh-deep-reading-wl" "C:\path\to\deep-reading-wl"

# 2) profile 的 package.json：dependencies 加
#    "dsh-deep-reading-wl": "link:C:/path/to/deep-reading-wl"
#    并把 "dsh-deep-reading-wl" 加进 dsh.profile.bundles

# 3) profile 的 cordis.patch.yml 末尾加（关键，缺这一步插件不会挂进树）
#    - insert:
#        - id: dsh-deep-reading-wl
#          name: 'dsh-deep-reading-wl'

bundles 只声明包可被扫描；真正把插件 insert 进配置树的是 profile 自己的 cordis.patch.yml。

环境与自测¶

需要 Python 3.10+ 及依赖：

pymupdf  rapidocr  openvino  numpy

解释器查找顺序：DEEP_READING_PYTHON → FASTOCR_PYTHON → DSH Desktop 自带运行时 → C:\Python312。Node 引擎要求 >=22（见 package.json）。

自测需先用独立 Node 抽宿主模块，再跑四个工具：

# 先抽一次宿主模块（@deepseek-ai/* 是宿主单例，插件自己不会装）
& "C:\Program Files\nodejs\node.exe" scripts\pull.host.mjs

# 跑四个工具
& "C:\Program Files\nodejs\node.exe" scripts/selftest.mjs <某个 OCR txt> [某个 PDF]

README 强调：必须用独立 Node（C:\Program Files\nodejs\node.exe）。DSH 里的 node 在 Electron 模式下 fs 行为与独立 Node 不一致。

package.json 中列出的 DSH 兼容 release 包括 0.2.0-rc.1、0.2.0-rc.2、0.2.1-rc.2、0.2.1-rc.3（均为 compatible）。

实测与边界¶

README 实测记录（节选）：

另有物理化学上下册等行的页数与章节识别数据；部分 OCR 耗时在表中为「—」。scan 在四本书上做过随机 20 页试点并修多种识别问题（目录污染、章标题断法、跨页续表、页眉页码等）。

作者明确三件不做的事：

1. 不替你判断哪一节是立论、哪个推导是地基。
2. 不修 OCR 错字（如 环已烷、CH3}、上标混用等），需读者用领域知识识别。
3. 不还原表格行列，只给位置，回原图查看。

适用场景与注意¶

适合：手里是扫描版教材 PDF，要在 DSH 工作流里先快速得到章节骨架、阅读优先级和去碎片原文，再人工写读书心得或交给后续 Agent 步骤的场景。不适合：期望插件自动完成价值判断、修 OCR 或从 txt 还原表格结构。

安装与运行前请自行阅读仓库源码与 MIT 许可证；插件以当前 DSH 进程权限运行，Python OCR 会读本地 PDF 并写 txt，路径与数据请在本机可控范围内使用。

结尾¶

dsh-deep-reading-wl 把扫描版教材阅读前置成可重复的 OCR + 结构扫描 + 章节地图 + 原文压缩四步，用 OpenVINO 加速 OCR、用位置索引代替不可靠的表格重建。需要细节与更新时以仓库 README 为准。

• 目录页：https://www.skillhub.cn/plugins/SongFengManZhu/dsh-deep-reading-wl
• GitHub：https://github.com/SongFengManZhu/dsh-deep-reading-wl