清华 MBA 论文 Word → PDF 一键转换

⚠️ 核心操作原则（不得违反）

只从 Word 中提取信息，不修改 thuthesis 模板格式。

• thuthesis 的封面、页眉、目录、参考文献、图表样式等，全部由 thuthesis.cls 自动生成
• 脚本只负责把 Word 里的内容（标题、摘要、章节、图表、参考文献等）提取出来填入 .tex 文件
• 若 Word 中某字段缺失，对应 LaTeX 字段留空，不删除、不跳过、不用占位符替代
• 任何格式上的"改进"都必须以 assets/databk/ 中的官方示例为准，不得自行发挥

架构：新三层 AI-native 流程

Word 文件
  ↓ [extract_raw.py]  纯机械提取，无 LLM
raw_xxx.json + 文档骨架（段落 idx + 样式 + 文字）
  ↓ [我（AI）阅读骨架]  理解章节结构
struct_xxx.json（章节划分、段落 idx 映射）
  ↓ [build_parsed.py]  纯 Python 组装，无 LLM
parsed_xxx.json
  ↓ [render.py]        填充 thuthesis LaTeX 模板
LaTeX 项目目录
  ↓ [xelatex + bibtex] 编译
thesis.pdf ✅
  ↓ [我（AI）Rubric 评测]  阅读产物，逐项打分 + 自动修复
evaluation_report.md

关键设计原则：Python 脚本不调用任何 LLM，不持有 API key。AI 在两个关键环节介入：(1) 阅读骨架生成 struct.json；(2) Rubric 评测 + 自动修复。

依赖

pip3 install python-docx jinja2 matplotlib
# 需要已安装 TeX Live

格式参考：assets/databk/

assets/databk/ 是从官方 thuthesis 项目备份的原始示例 data 文件，是本工具一切格式决策的黄金标准：

文件	参考内容
chap01.tex ~ chap04.tex	正文章节、三线表、图片、公式格式
abstract.tex	中英文摘要格式
denotation.tex	缩略语/符号说明格式
acknowledgements.tex	致谢格式
resume.tex	个人简历格式

遇到任何格式问题，先查 databk/ 里的对应文件，再动代码。

初次使用 / 更新格式参考

# SKILL_DIR = 本 skill 的根目录（thu-thesis/）
SKILL_DIR="$(cd "$(dirname "$0")/.." && pwd)"   # 在 scripts/ 内执行时
# 或直接写绝对路径，例如：
# SKILL_DIR="/path/to/skills/thu-thesis"
bash "$SKILL_DIR/scripts/setup.sh" "$SKILL_DIR"

setup.sh 做三件事： 1. 从 GitHub clone（首次）或 git pull（已有）最新 thuthesis 到 /tmp/thuthesis-latest 2. 编译生成 thuthesis.cls（如尚未生成） 3. rm -rf assets/databk/ && cp -r data/ assets/databk/ → 保持格式参考始终为最新版本

每次 thuthesis 版本有重大更新时，重跑 setup.sh 即可刷新 databk。

输出路径规范

LaTeX 工程输出位置：与输入 .docx 同目录，子文件夹命名为 <原文件名去扩展>-latex。

例如：输入 /path/to/foo.docx，则 LaTeX 工程输出到 /path/to/foo-latex/。

• 中间临时文件（raw/struct/parsed JSON）放在 workspace 临时目录，转换完成后可清理
• 最终交付给用户的是 -latex/ 目录（含 thesis.pdf）

完整转换流程

Step 1：机械提取（同时创建 LaTeX 工程目录）

# SKILL_DIR = 本 skill 根目录，按实际安装路径设置
SKILL_DIR="/path/to/skills/thu-thesis"

python3 "$SKILL_DIR/scripts/convert.py" extract /path/to/论文.docx output/

extract 会立即做两件事： 1. 在 .docx 同目录创建 <stem>-latex/ 工程目录（项目开始即确定输出位置） 2. 机械提取，输出 output/raw_xxx.json + 终端骨架

终端输出示例：

📄 输入: /path/to/foo.docx
📁 中间文件: output/
📁 LaTeX 工程: /path/to/foo-latex/      ← 已创建
📊 图片: 5 张  | para_idx: [102, 115, ...]
📊 表格: 3 张  | before_para: [88, 134, ...]

Step 2：AI 阅读骨架，生成 struct.json

AI（我）读取骨架，识别： - 摘要范围（abstract_cn_range, abstract_en_range） - 各章节标题段落 idx（title_para）、正文范围（content_range） - 各级小节（sections）的 idx 和编号 - 参考文献、致谢、简历的范围

如何输出：使用 Write 工具，把 struct.json 写到与 raw_xxx.json 同一目录，命名为 struct_<论文标题>.json（与 raw 文件保持同级）：

output/
  raw_论文标题.json      ← Step 1 生成
  struct_论文标题.json   ← AI 用 Write 工具写到这里  ✅
  figures/               ← Step 1 提取的图片

写入前必须检查（防图表丢失）： 1. 列出 raw_xxx.json 中所有图片的 para_idx → 确保每个都落在某章 content_range 内 2. 列出所有表格的 before_para → 确保都 ≥ 第一章 content_range[0] 且在某章范围内 3. 相邻章节 content_range 不能有间隙

输出 struct_xxx.json，格式：

{
  "cover": {
    "abstract_cn_range": [27, 31],
    "abstract_en_range": [35, 44],
    "keywords_cn_para": 31,
    "keywords_en_para": 44
  },
  "chapters": [
    {
      "number": "第1章",
      "title": "引言",
      "title_para": 109,
      "content_range": [110, 142],
      "sections": [
        {"level": 2, "number": "1.1", "title": "选题背景", "title_para": 110},
        {"level": 3, "number": "1.1.1", "title": "子节标题", "title_para": 115}
      ]
    }
  ],
  "references_range": [388, 409],
  "acknowledgements_range": [412, 412],
  "resume_range": [423, 428]
}

Step 3-5：组装、渲染、编译

Step 1 已经创建好 LaTeX 工程目录，直接指向它：

SKILL_DIR="/path/to/skills/thu-thesis"
DOCX="/path/to/foo.docx"

python3 "$SKILL_DIR/scripts/convert.py" build 
  output/raw_foo.json 
  output/struct_foo.json 
  "$(dirname "$DOCX")/foo-latex"

自动完成： - build_parsed.py：raw + struct → parsed JSON（含表格、图片正确插入） - render.py：parsed JSON → LaTeX 项目 - xelatex + bibtex：编译 PDF（3~4 次，保证目录稳定）

Step 6：AI Rubric 评测 + 自动修复

编译完成后，我（AI）逐项检查转换质量，详见下方「Rubric 评测细则」。可自动修复的问题直接修复并重新编译，最多 3 轮；不可修复的问题在报告中标注。最终输出 evaluation_report.md 到 LaTeX 工程目录。

文件说明

路径	说明
scripts/convert.py	入口，extract / build 两个子命令
scripts/extract_raw.py	Word → raw JSON（纯机械提取，段落/表格/图表）
scripts/build_parsed.py	raw + struct → parsed JSON（纯 Python，无 LLM）
scripts/render.py	parsed JSON → LaTeX 项目（填充模板，生成 BibTeX）
assets/templates/*.j2	Jinja2 模板
assets/databk/	thuthesis 官方格式示例，格式决策唯一参考

Rubric 评测细则（AI 执行）

评测由 AI 直接完成，不使用 Python 脚本。 AI 阅读生成产物（parsed JSON、.tex 文件、refs.bib、thesis.log、thesis.pdf），按下方 Rubric 逐项打分，可修复问题直接修改后重新编译（最多 3 轮），最终输出 evaluation_report.md。

评测流程

1. 读取产物：parsed_xxx.json、data/*.tex、ref/refs.bib、thesis.log、thesis.pdf（检查是否存在及大小）
2. 逐项评分：按下方 38 项 Rubric 逐一检查，给出 PASS / WARN / FAIL + 原因
3. 自动修复：对可修复的 FAIL/WARN 项直接修改 .tex 文件，然后重新 xelatex + bibtex 编译（最多 3 轮）
4. 输出报告：生成 evaluation_report.md，含总分、维度得分、所有扣分项明细

评分制度

类型	满分	PASS	WARN	FAIL
必要项	3	3	1.5	0
重要项	2	2	1	0
亮点项	1	1	0.5	0
失误扣分项	0	—	—	每处扣1分，最多扣10

评级标准：总分/满分 → 优秀≥90% / 良好≥75% / 合格≥60% / 不合格<60%

可自动修复 vs 不可修复

可自动修复（直接改文件重编译）	不可自动修复（报告中标注）
.bbl 出现 佚名 → 读 refs.bib 找对应条目，手工补全 author 字段，然后重跑 bibtex+xelatex	表格/图片无 caption（Word 原文没有，不可凭空生成）
author 字段被截断（如 美国旅游协会（U.S）→ 直接修 refs.bib 中该条目的 author 字段	文献只有 nocite（正文本来就没有引用，是原文问题）
author-year 引用未转 cite → 在 .tex 中手工补 cite{key}	author-year 匹配失败（姓名简称无法映射，原文限制）
LaTeX 编译报错（& 转义等）→ 修 .tex 中的特殊字符	committee/comments/resolution 占位（答辩后才有内容）
listoffigures / listoftables 缺失 → 补入 thesis.tex	—

Rubric 明细（38项，满分 90 分）

A. 元信息（11项）

ID	检查项	类型	评判标准
A1	中文标题	必要	检查 thusetup.tex 中 title 字段。PASS：非空且≥5字。FAIL：缺失
A2	英文标题	必要	检查 title* 字段。PASS：非空且≥10字符。FAIL：缺失
A3	作者姓名	必要	检查 author 字段。PASS：非空。FAIL：缺失
A4	英文作者名	重要	检查 author* 字段。PASS：非空。WARN：缺失（可人工补充）
A5	导师信息	必要	检查 supervisor 字段。PASS：非空且含职称（教授/研究员/副教授/讲师）。WARN：有名无职称。FAIL：缺失
A6	培养单位	重要	检查 department 字段。PASS：非空。WARN：缺失
A7	日期格式	重要	检查 date 字段。PASS：格式为 YYYY-MM。WARN：缺失或格式异常
A8	中文摘要	必要	检查 abstract.tex 中文摘要内容。PASS：≥50字。WARN：<50字。FAIL：缺失
A9	英文摘要	必要	检查英文摘要内容。PASS：≥100字符。WARN：<100字符。FAIL：缺失
A10	中文关键词	必要	检查 thusetup.tex 中 keywords 字段。PASS：≥2个。WARN：仅1个。FAIL：缺失
A11	英文关键词	重要	检查 keywords* 字段。PASS：≥2个。WARN：仅1个。FAIL：缺失

B. 正文（5项）

ID	检查项	类型	评判标准
B1	章节结构	必要	检查 parsed JSON 中 chapters。PASS：≥3章且每章≥2个内容块。WARN：有章内容极少（<2块）。FAIL：<3章
B2	章节 .tex 文件	必要	检查 data/chap*.tex 文件。PASS：所有文件存在且≥200字符。WARN：文件过短。FAIL：文件缺失
B3	正文文字总量	必要	统计所有章节文本字数。PASS：≥8000字。WARN：3000-8000字。FAIL：<3000字（可能解析失败）
B4	节级标题	重要	检查 .tex 中是否有 section/subsection。PASS：存在多个节级标题。WARN：未检测到
B5	目录一致性	重要	编译后检查 thesis.toc：章标题与 .tex 文件一致，无残留编号（如标题中出现 1.1 前缀）。PASS：一致。WARN：有不一致

C. 参考文献（7项）

ID	检查项	类型	评判标准
C1	参考文献列表	必要	检查 parsed JSON 中 references。PASS：≥10条。WARN：<10条。FAIL：为空
C2	refs.bib 生成	必要	检查 ref/refs.bib 文件。PASS：存在且有 @article/@book/@misc 等 BibTeX 条目。FAIL：不存在或为空
C3	BibTeX 字段质量	必要	必须同时检查 refs.bib 和 thesis.bbl 两个文件，逐条核查： ①读取 refs.bib，统计 author 字段为空 {} 的条目数； ②读取 thesis.bbl，搜索 佚名 字样（bibtex 给无 author 条目的默认值），每出现一次表示有一条参考文献无法正确显示； ③检查 refs.bib 中 author 值是否存在截断（如以 （ 结尾、或机构名中间被切断如 美国旅游协会（U.S）； ④检查 title 字段是否异常短（<5字符）或与实际文献标题明显不符。 PASS：所有条目 author/title 非空，.bbl 无 佚名，无截断。WARN：有1-2个问题条目（列出）。FAIL：≥3个问题条目，或 .bbl 中出现 佚名
C4	PDF 文献完整	必要	比较 BibTeX 条目数与 Word 原文参考文献条数。同时读取 thesis.bbl，检查每条 bibitem 的内容是否合理（作者/年份/标题是否看起来正确，而不仅是数量匹配）。PASS：条目数一致，.bbl 内容合理。WARN：条目数一致但有个别条目内容异常。FAIL：BibTeX 条目少于原文
C5	引用覆盖率	重要	严格区分 cite{} 和 nocite{}： ①统计章节 .tex 文件（data/chap*.tex）中 cite{key} 的唯一 key 集合（正文有引用）； ②统计 thesis.tex 中 nocite{key}（只进入参考文献列表，正文无引用）； ③对每个 bib key 归类：有 cite / 只有 nocite / 都没有。 PASS：所有 key 都有正文 cite。WARN：有 key 只在 nocite（列出这些 key，说明正文缺少引用）。FAIL：有 key 既无 cite 也无 nocite
C6	cite 关联性	扣分	随机抽取 5-10 处 cite{key}，阅读上下文与对应文献，判断是否内容相关。不相关每处扣1分，最多扣10分。抽检样本须列入报告供人工复核
C7	author-year 引用	亮点	检查正文中 曹玉（2025）、Smith (2020) 等行文引用是否已转为 cite{key}。PASS：无遗漏。WARN：有少量遗漏（列出原文片段）。FAIL：大量未转换

D. 图片（4项）

ID	检查项	类型	评判标准
D1	图片提取数量	重要	比较 figures/ 目录文件数与 parsed JSON 图片数。PASS：一致。WARN：不一致
D2	图片 caption	重要	检查 .tex 中图片是否有 caption{}。PASS：全部有。WARN：部分无 caption
D3	LaTeX 渲染	必要	检查 .tex 中有对应的 includegraphics。PASS：图片均被引用。FAIL：有图片但未渲染
D4	插图清单	重要	检查 thesis.tex 是否含 listoffigures。PASS：存在且所有图有 caption → 清单完整。WARN：存在但部分图无 caption。FAIL：缺少 listoffigures（应自动修复）

E. 表格（4项）

ID	检查项	类型	评判标准
E1	表格提取数量	重要	检查 parsed JSON 中表格数量是否合理。PASS：数量合理
E2	三线表格式	必要	检查 .tex 中表格是否使用 tabularx + booktabs（toprule/midrule/bottomrule），无竖线。PASS：格式合规。FAIL：不合规
E3	表格 caption	重要	检查表格是否有 caption{}。PASS：全部有。WARN：部分无 caption
E4	附表清单	重要	检查 thesis.tex 是否含 listoftables。PASS：存在且所有表有 caption → 清单完整。WARN：存在但部分表无 caption。FAIL：缺少 listoftables（应自动修复）

F. 缩略语（2项）

ID	检查项	类型	评判标准
F1	缩略语表	重要	检查 data/denotation.tex。PASS：存在且有 item[...] 条目。WARN：无条目。FAIL：文件不存在
F2	孤儿缩略语	亮点	检查缩略语表中是否有正文未出现的"孤儿"。PASS：无孤儿。WARN：有孤儿但已标注

G. 附件（2项）

ID	检查项	类型	评判标准
G1	致谢	重要	检查 data/acknowledgements.tex。PASS：有实质内容（>50字）。WARN：缺失或过短
G2	个人简历	重要	检查 data/resume.tex。PASS：有实质内容（>50字）。WARN：缺失或过短

H. 编译（3项）

ID	检查项	类型	评判标准
H1	PDF 已生成	必要	检查 thesis.pdf 是否存在。PASS：存在且≥50KB。WARN：文件过小（<50KB）。FAIL：不存在
H2	无 LaTeX Error	必要	检查 thesis.log。PASS：无 LaTeX Error。WARN：有 Overfull hbox 警告。FAIL：有 Error
H3	thusetup 格式	重要	检查 thusetup.tex 是否含 MBA 专业硕士配置（degree=master, degree-type=professional）。PASS：配置正确。WARN：配置异常

报告格式

评测报告 evaluation_report.md 须包含：

1. 总分：XX / 90 分（XX%）— 评级
2. 维度得分表：每个维度（A~H）的得分/满分/得分率
3. 扣分明细：所有 FAIL / WARN 项列出 ID、检查项、扣分原因（不截断）
4. C6 抽检样本：随机抽取的 cite 关联性样本（文献信息 + 上下文），供人工核查
5. 完整明细表：38 项逐一列出 ID、类型、满分、得分、说明

参考文献处理

• Word 原文参考文献列表 → ref/refs.bib（自动解析为 BibTeX）
• 正文 [10] → cite{key}，支持 [1,2,3] 和 [1-3]
• Author-year 行文引用自动补 cite：
• 曹玉（2025）分析了... → 曹玉（2025）cite{cao2025aigc}分析了...
• 支持中文全角 （年）、英文半角 (年)
• 匹配失败时保留原文，rubric C7 会警告
• 未被引用文献：关键词匹配补 cite；无匹配用 nocite 兜底

图片和表格处理全链路

图表丢失是最常见的转换问题。 根本原因几乎总是 Step 2（AI 生成 struct.json）时 content_range 设定不准，导致图表所在段落被排除在章节范围之外。

完整流程

Step 1  extract_raw.py
  ├── 图片：扫描段落 XML 的 a:blip（普通图）/ c:chart（图表对象）
  │         记录 {filename, para_idx}，文件存入 output/figures/
  └── 表格：扫描 body 元素顺序，记录 {rows, before_para}
            before_para = 表格紧跟在哪个段落之后的 idx

Step 2  AI 生成 struct.json
  └── ⚠️ 关键：content_range 必须覆盖图表所在的 para_idx！

Step 3  build_parsed.py
  ├── 图片分配：figures_by_para[para_idx] → 章节的 content_range 内 → 插入
  │   caption 检测：图片 para_idx 后 0-2 段内匹配 ^图s*d
  ├── 表格分配：before_para 落在 content_range 内 → 插入
  │   before_para < first_chap_start → 跳过（封面/目录页表格）
  │   before_para 不在任何章节范围 → 分配给最近章节末尾（extra_tables）
  │   caption 检测：before_para 后 0-2 段内匹配 ^表s*d
  └── figures/ 目录拷贝至 output_dir/figures/

Step 4  render.py
  ├── 图片：type=figure → begin{figure}...includegraphics{figures/xxx}caption{}end{figure}
  │   SVG 跳过并警告；caption 自动去掉"图X-X "前缀（thuthesis 自动编号）
  ├── 表格：type=table → render_table() 生成三线表 raw_latex 块
  │   列宽：内容≤12字符宽 → l；>12字符 → X；至少一列为 X
  │   caption 自动去掉"表X-X "前缀；caption 在表格上方
  └── 扫描生成的 .tex：有 begin{figure} → 加 listoffigures；有 begin{table} → 加 listoftables

⚠️ 图表丢失的常见原因及修复

原因 1（最常见）：struct.json 的 content_range 设定偏窄，图表 para_idx 在范围外

排查方法：检查 raw_xxx.json 中图片/表格的 para_idx / before_para，与 struct.json 的 content_range 对比：

import json
raw = json.load(open('output/raw_xxx.json'))
print("图片 para_idx:", [(f['filename'], f['para_idx']) for f in raw['figures']])
print("表格 before_para:", [(t['idx'], t['before_para']) for t in raw['tables']])

修复：重新生成 struct.json，确保每章 content_range[1]（结束 idx）足够大，覆盖该章所有图表段落，然后重跑 build 命令。

原因 2：图片/表格出现在章节之间的"间隙"段落

两章 content_range 之间可能有空隙（如过渡段落 idx 130-135 不在任何章节范围内）。build_parsed.py 会把这些表格用 extra_tables 附到最近章节末尾，但图片无此兜底，直接丢失。

修复：struct.json 相邻章节的 content_range 不能有间隙，确保：

第1章 content_range[1] + 1 ≥ 第2章 content_range[0]

原因 3：图片的 para_idx 为 0 或 None

Word 中图片有时嵌在空段落、文本框或表格单元格中，导致 extract_raw.py 无法找到对应段落。此时 para_idx=0，图片会被分配到第 0 段落，不在任何章节 content_range 内，丢失。

排查：raw_xxx.json 中 figures 里 para_idx=0 且文档实际有图的，属于此类。

修复：在 struct.json 中找到该图片实际所在的段落（根据骨架文本目视定位），手动在对应章节的 content_range 里调整，或在 parsed_xxx.json 中手动插入 figure 块后重跑 render。

原因 4：caption 未被识别（图/表无编号）

caption 检测依赖 ^图s*d / ^表s*d 正则：

• Word 中 caption 写法是 图1-1 标题 → 可识别
• 写法是 图一 标题（中文数字）、Figure 1 或 caption 与图片不在相邻段落 → 识别失败，caption 为空

caption 为空不影响图表出现在 PDF，但插图清单/附表清单会不完整（D4/E4 WARN）。

AI 在 Step 2 生成 struct.json 的图表注意事项

生成 struct.json 时必须执行以下检查，否则极可能导致图表丢失：

1. 对照 raw_xxx.json 的图片 para_idx 列表，确认每张图的 para_idx 都落在某章的 content_range 内
2. 对照表格的 before_para 列表，确认每个 before_para 都 ≥ first_chap_start（第一章 content_range[0]）且落在某章范围内
3. 相邻章节的 content_range 不能有间隙，末尾章节的 content_range[1] 要覆盖到参考文献段之前

表格格式（三线表）

begin{table}[htbp]
  caption{表题}
  begin{tabularx}{linewidth}{l X}
    toprule
    短列头 & 长文本列头 \
    midrule
    内容1 & 内容2 \
    bottomrule
  end{tabularx}
end{table}

• 无竖线，三线（toprule / midrule / bottomrule）
• 短列（≤12字符宽）用 l，长文本列用 X；至少一列为 X
• caption 在 begin{tabularx} 上方（thuthesis 规范：表题在上）
• render.py 自动去掉 caption 里的"表X-X "前缀，由 thuthesis 自动编号

图片格式

begin{figure}[htbp]
  centering
  includegraphics[width=0.9linewidth]{figures/image1.png}
  caption{图题}
  label{fig:xxx}
end{figure}

• 图片文件放在 LaTeX 工程的 figures/ 目录
• render.py 自动去掉 caption 里的"图X-X "前缀，由 thuthesis 自动编号
• SVG 跳过，需手动转 PNG/PDF 后补入
• chart 对象（Excel 图表）由 matplotlib 重绘为 PNG，自动纳入流程

已知限制

• SVG 图片跳过（需手动转为 PNG/PDF 后补入）
• committee.tex / comments.tex / resolution.tex 为占位，需手工填写（答辩后）

⚠️ .doc 格式必须用 Word 转换，不能用 textutil

唯一可靠方法：用 Microsoft Word 打开 .doc 文件，另存为 .docx。

macOS textutil、Python docx2txt 等工具会把表格压平为普通段落，导致： - extract 步骤报告"0 表格" - 表格数据变成一行行普通文字进入正文 - 图片和封面元信息也可能丢失

判断转换是否正确的方法：运行 extract 后，看终端输出的"📊 表格 X 张"行：

输出	原因	处理
表格: N 张 N > 0	转换正确，表格保留	正常继续
表格: 0 张 但论文明显有表	转换工具破坏了表格结构	必须重新用 Word 另存为 .docx

如果没有 Word，可在 macOS 用 LibreOffice（需安装）：

soffice --headless --convert-to docx /path/to/论文.doc --outdir /path/to/

LibreOffice 保留表格结构，textutil 不保留。

thuthesis 配置（MBA 专业硕士）

thusetup{
  degree = {master},
  degree-type = {professional},
  degree-category = {工商管理硕士},
  degree-category* = {Master of Business Administration},
  department = {经济管理学院},
}