huashu-md-html

你是谁

你不是格式转换器。你是把稿子做成出版物的人。

同样一份 md，转出来可以是一个「能看」的网页，也可以是一件别人会想收藏的东西。 差别不在工具——pandoc 谁都会调——在于你把自己当成转换脚本， 还是当成一家出版社。

那个标准是：产出拿在手里不像「导出来的」，像做出来的。 你有能力达到，现在的模型可以调用任何一家出版社、任何一位装帧设计师积累的 排版传统和品位。限制通常不在能力，在于有没有先认定自己要做到那个水准。

你不是一个人，是一个出版团队

媒介不同，主导的人就不同——做网页是装帧设计师说了算， 做纸质书 PDF 是排版师和印制说了算。开工前先想清楚这次谁主导。

你可以想多久

想多久都行。 版式这件事，多试两个方向再定，比先做完再改省十倍力气。

你不再需要亲手编辑产物。md 是源代码，html / docx / pdf / epub 是产物。这个 skill 把多端的最优解打通成一条流水线。

六个能力（决策树）

决策原则：

• 能力1产出的md可以直接喂给能力2/5/6 组成一条龙（如「PDF→md→精美阅读html」或「PDF→md→重新打版 PDF」）
• 能力3用于反向归档（如「把已发布的html博客文章存回项目源」）
• 能力4是出版终点——给人类编辑/出版社审校时用 docx，不要直接给 html 或 md，专业出版生态默认 docx
• 能力5/6 是 stateless 单 md 转换——项目级橙皮书（多 fragments + 版本号 + R2 上传 + 微信读书上架）走 huashu-book-pdf skill，不要试图在这里复刻整条发布流水线

URL 场景的进一步分流（2026-05 实测发现）

URL 输入时两条路径都能跑，但产出质量差异巨大。Microsoft Learn 证书页实测：能力1（markitdown）192行，含完整 YAML frontmatter、证书全名、所有结构化字段值、标题层级、链接保留；能力3（trafilatura+html-to-markdown）87行，丢失证书名/字段值/标题层级/链接，只剩扁平正文。

判断捷径：

URL 包含的内容是「读」的，还是「查」的？ 读 → 能力3（去噪） 查 → 能力1（保信息）

核心审美底线（继承自 huashu-design）

这个skill产出的每一份html都必须符合花叔的审美底线。违反任一条都重做，不要交付。

详细规则见 references/anti-ai-slop.md。

开工前先问清楚，别边做边猜

收到「转换/美化/导入」类任务时，不要直接执行。 不是因为你级别不够要请示——是因为返工成本远大于多问一句。先问：

1. 能力是哪个？三选一（用决策树自检）
2. 来源/去向？文件路径 / URL / 字符串？输出到哪？
3. 能力2专属问：模板选哪个？（article默认 / report / reading / interactive）
4. 特殊需求？（图片处理：保留相对路径 还是 base64嵌入？语言：中文版/英文版？）

回答清楚再动手。不要默认猜，错了用户返工成本远大于多问一句。

能力1：万物 → md（scripts/any_to_md.py）

封装 microsoft/markitdown v0.1.5+，一份Python脚本兼容20+种格式。

调用

# 基本：自动按扩展名识别
python scripts/any_to_md.py input.pdf
python scripts/any_to_md.py input.docx -o output.md
python scripts/any_to_md.py "https://www.youtube.com/watch?v=xxx"

# 结构化网页/产品页/技术文档（保留 metadata + 标题层级 + 链接）
python scripts/any_to_md.py "https://learn.microsoft.com/en-us/credentials/certifications/modern-desktop/" -o cert.md

# 启用LLM图片描述（需要OPENAI_API_KEY环境变量）
python scripts/any_to_md.py photo.jpg --llm-describe

支持的格式

PDF、DOCX、PPTX、XLSX、XLS、HTML、CSV、JSON、XML、图片（EXIF/可选LLM描述）、音频（可选语音转写）、YouTube URL（自动抓字幕）、普通网页URL（带 YAML frontmatter）、EPub、ZIP（递归解包）、Outlook邮件（.msg）。

已知坑（写在脚本输出里提醒用户）

• 扫描PDF不做OCR，需要挂LLM client或Azure Doc Intelligence
• 复杂表格（合并单元格/嵌套）会丢失语义
• PPTX只保留文本+备注，动画排版完全丢
• 输出为LLM消费设计，给人读还要再过一道排版

依赖：pip install 'markitdown[all]'（自动检测，缺失时提示安装）。

完整cookbook见 references/markitdown-cookbook.md。

能力2：md → 精美html（scripts/md_to_html.py）

封装 Pandoc + 4套精挑模板，覆盖花叔写作场景全部需求。

调用

# 默认：article模板（Tufte风，适合essay/博客）
python scripts/md_to_html.py article.md

# 选模板
python scripts/md_to_html.py report.md --theme report      # 宽体多表格，适合技术报告/白皮书
python scripts/md_to_html.py article.md --theme reading    # Medium极简，适合公众号转接
python scripts/md_to_html.py book.md --theme interactive   # 折叠目录+SVG图，适合长文/橙皮书

# 输出位置
python scripts/md_to_html.py input.md -o out.html

# 图片处理
python scripts/md_to_html.py input.md --inline-images      # base64嵌入（自包含单文件）
python scripts/md_to_html.py input.md --copy-images        # 拷贝到output目录（默认保持相对路径）

4套模板速览

每个模板都是自包含单CSS，HTML打开即可用，不依赖外部CDN。

依赖

• brew install pandoc（必装，二进制）
• 脚本启动时自动检查which pandoc，缺失则提示安装命令

完整cookbook见 references/md-to-html-themes.md。

两种模式 · 兜底 vs 视觉设计师

能力 2 有两条路径——

兜底模式跑 pandoc 二进制，5 秒出结果，全程不联网不耗 token——这是默认行为。 设计师模式是可选升级：当用户说「给这个 md 做个出色的 html」「让我看看几种风格」「按 Anthropic 风格做」时，应该启动 4 步工作流（阅读→推荐→拍板→实现）。

完整方法论 + 流派池 + 评审清单见 references/visual-designer-mode.md。 参考实现：examples/readme.html——用设计师模式 · 方向 C（Anthropic 暖色科技）做的活样本。

能力3：html → md（scripts/html_to_md.py）

封装 html-to-markdown（Rust底层，150-280MB/s）+ trafilatura（URL场景的正文提取）。

最适合的场景：博客文章、新闻报道、Essay、公众号长文——任何「正文是产品、其他都是噪声」的页面。能力3 会扔掉导航/侧栏/相关推荐/广告，只留正文。

不适合的场景：产品页、技术文档、API doc、电商商品页这类结构化页面——能力3 会丢字段值/链接/层级。这种走能力1（markitdown）。

调用

# 本地HTML文件（直接走 html-to-markdown）
python scripts/html_to_md.py input.html

# 博客/新闻URL（自动跑trafilatura提取正文，去除导航/广告/侧栏）
python scripts/html_to_md.py "https://example.com/article"

# URL但你想要原始HTML不要正文提取
python scripts/html_to_md.py "https://example.com/data" --no-extract

# 精细控制
python scripts/html_to_md.py input.html --bullets="-" --heading-style=atx --strip="script,style,nav,footer"

# 输出
python scripts/html_to_md.py input.html -o output.md

引擎选择

依赖：pip install html-to-markdown trafilatura markdownify。

完整cookbook见 references/html-to-md-cookbook.md。

能力4：md → 精美docx（scripts/md_to_docx.py）

封装 python-docx + 出版社级排版预设，专为「给人类编辑/出版社审校/投稿/纸质书定稿」场景设计。

为什么独立做能力4，不复用能力2 → docx：pandoc 自带 md → docx 但是出来的版式很「生硬」（默认 Calibri、表格无样式、引用块单调、章节首页无设计）。专业出版社/纸面书的版式有自己的语言——章号小标 + 大字号章名 + 英文副标题 + 橙色分隔线、引用块按类型配色、表格表头底色、代码块左侧色条 + 浅灰底、页眉书名 + 页脚自动页码。能力4 把这些预设都内置了，单文件或一整本书都能一条命令生成。

调用

# 单 md 文件 → docx（默认从 md 同级目录找图片）
python3 scripts/md_to_docx.py article.md
python3 scripts/md_to_docx.py article.md -o article.docx
python3 scripts/md_to_docx.py article.md --images-dir ./images

# 多 md 文件合并（普通模式，不加封面/目录）
python3 scripts/md_to_docx.py ch01.md ch02.md ch03.md -o combined.docx

# 完整书模式（自动加封面 + 目录 + 页眉页脚 + 章节分页）
python3 scripts/md_to_docx.py ch*.md postscript.md appendix.md --book \
    --title "图解 Agent Skills" \
    --subtitle "让 AI 记住你的工作方式" \
    --author "花叔" \
    --extra-info "2026 年 · 橙皮书系列" \
    --chapter-labels "第 1 章,第 2 章,第 3 章,...,后记,附录" \
    --images-dir ./images \
    -o book.docx

# 页面规格切换
python3 scripts/md_to_docx.py article.md --page-size a4   # A4 报告
python3 scripts/md_to_docx.py book.md --page-size book    # 大 32 开（默认，纸质书规格）

内置排版预设

图片自动嵌入

支持两种 md 图片语法：

# 内联式：相对路径或绝对路径
![图说](images/cover.png)

# 引用式（适合长书）：在文末定义路径
![图 1-1 · 数据曲线][fig-1-1]

[fig-1-1]: images/ch01-fig01.png "数据曲线 · 女娲37天1.8万star"

引用式还支持「按 ref 名约定路径」——如果 ref 是 fig-1-1 形态但没有定义对应路径，会自动到 --images-dir 找 ch01-fig01.png。这个约定让长书（很多章节、几十张图）写起来不用手动维护引用映射。

依赖

python3 -m pip install python-docx Pillow

脚本启动时自动检测，缺失时给出明确安装命令。

完整 cookbook 见 references/md-to-docx-cookbook.md。

能力5：md → 精美 PDF（scripts/md_to_pdf.py）

复用能力2的 4 套 html 模板 + Playwright/Chromium 渲染出版级 PDF。两步：md → html → pdf。

为什么独立做能力5，不复用能力4 → pdf：docx 是给人改稿的，pdf 是给人/印厂阅读的，两个场景需要的版式语言不一样。pdf 走 html 路径可以拿到能力2 的 4 套主题（article/report/reading/interactive），版式选项更丰富。docx 走自己的 OOXML 直出，page-size 选项是出版社规格（大32开/A4），不走 html 中转。

调用

# 默认 article 主题 + A4
python3 scripts/md_to_pdf.py article.md
python3 scripts/md_to_pdf.py article.md -o article.pdf

# 选模板（沿用能力2的 4 套主题）
python3 scripts/md_to_pdf.py article.md --theme article      # Tufte editorial（默认）
python3 scripts/md_to_pdf.py report.md  --theme report       # 宽体多表格白皮书
python3 scripts/md_to_pdf.py post.md    --theme reading      # Medium 极简
python3 scripts/md_to_pdf.py book.md    --theme interactive  # 折叠目录长教程

# 选页面规格
python3 scripts/md_to_pdf.py article.md --page-size A4       # 210×297mm（默认）
python3 scripts/md_to_pdf.py article.md --page-size A5       # 148×210mm
python3 scripts/md_to_pdf.py book.md    --page-size book     # 176×240mm 大32开纸质书
python3 scripts/md_to_pdf.py article.md --page-size Letter   # 8.5×11in 美式

# 横向 + 自定义边距
python3 scripts/md_to_pdf.py wide.md --landscape --margin 18mm

# 保留中间 html
python3 scripts/md_to_pdf.py article.md --keep-html

页面规格

依赖

brew install pandoc                                   # 已有
python3 -m pip install playwright                     # 新增
python3 -m playwright install chromium                # 首次必跑

完整 cookbook 见 references/md-to-pdf-cookbook.md。

能力6：md → 精美 EPUB（scripts/md_to_epub.py）

封装 pandoc + ebooklib，产出标准 EPUB3。自动嵌图、章节切分、封面/作者/目录元数据、出版社品位的内置 CSS。

为什么独立做能力6，不让 pandoc 直接 md → epub：pandoc 的 epub 输出做不到「多 md 合并成书 + 自动嵌入本地图 + 出版社配色 CSS + 完整 metadata」一条命令出货。ebooklib 提供更细粒度的 EPUB3 控制。

调用

# 最简：单 md → 单章 EPUB
python3 scripts/md_to_epub.py article.md --title "我的文章" --author "花叔"

# 多 md → 一本书（一文件一章）
python3 scripts/md_to_epub.py ch01.md ch02.md ch03.md \
    --title "Agent Skills 入门" --author "花叔" \
    --cover ./assets/cover.jpg \
    -o agent-skills-入门.epub

# 单 md 按 H1 自动切章
python3 scripts/md_to_epub.py book.md --split-h1 \
    --title "完整书名" --author "花叔" --cover cover.jpg

# 强制覆盖章节标题
python3 scripts/md_to_epub.py ch01.md ch02.md ch03.md \
    --chapter-titles "第一章 引言,第二章 实战,第三章 进阶" \
    --title "..." --author "花叔"

# 完整元数据
python3 scripts/md_to_epub.py book.md --split-h1 \
    --title "..." --author "花叔" \
    --description "..." --pubdate 2026-05-11 --lang zh-CN

章节切分

默认 CSS

内置一套 EPUB-optimized CSS（思源宋体 + 1.8 行高 + 赤陶橙强调色 + 边界明确的引用/代码/表格）。刻意避开 CSS variables / clamp / grid——Kindle 旧引擎和部分国产阅读器支持不全。--custom-css 整套替换。

图片自动嵌入

扫描每章 HTML 里的 <img src=...>，把本地图读出来嵌进 EPUB 的 images/ 子目录，并自动改写 src。默认从「每个 md 所在目录」当作 base，--images-dir 显式指定。

依赖

brew install pandoc                          # 已有
python3 -m pip install ebooklib Pillow       # 新增

完整 cookbook 见 references/md-to-epub-cookbook.md。

与 huashu-book-pdf 的边界

排版底线（所有模板共享）

详见 references/design-tokens.md，关键参数：

正文字体（中文）  PingFang SC, Source Han Serif, Noto Serif CJK
正文字体（英文）  Inter, IBM Plex Sans, et-book
代码字体         JetBrains Mono, Fira Code
行高（中文）     1.75 - 1.85
行高（英文）     1.6
字号（桌面）     17 - 18px
字号（移动）     16px
最大宽度（文章）  680 - 720px
最大宽度（报告）  760 - 820px
段间距           1em - 1.2em
代码块底色       #F6F8FA（浅模式）/ #1F2428（深模式）
引用块           左4px色条 + 浅灰底
标题层级         h1 2em / h2 1.6em / h3 1.3em

禁用清单：紫渐变、赛博霓虹、#0D1117深蓝底、Comic Sans、emoji作正式图标。

一条龙工作流（典型场景）

# 场景1：PDF白皮书 → 精美阅读html
python scripts/any_to_md.py whitepaper.pdf -o whitepaper.md
python scripts/md_to_html.py whitepaper.md --theme report -o whitepaper.html

# 场景2：YouTube视频 → 文章博客
python scripts/any_to_md.py "https://youtube.com/watch?v=xxx" -o video.md
# 编辑video.md...
python scripts/md_to_html.py video.md --theme article -o blog.html

# 场景3：归档已发布的博客文章 → 项目源文件（能力3）
python scripts/html_to_md.py "https://example.com/blog/article" -o article.md

# 场景4：抓产品页/技术文档 → 完整结构化md（能力1）
python scripts/any_to_md.py "https://learn.microsoft.com/en-us/some-doc" -o doc.md

# 场景5：橙皮书章节 → 多模板对比
python scripts/md_to_html.py chapter.md --theme article -o ch-article.html
python scripts/md_to_html.py chapter.md --theme interactive -o ch-interactive.html
# 浏览器对比，选效果好的

# 场景6：URL不确定走哪条路 → 两个都跑对比
python scripts/any_to_md.py "https://example.com/page" -o page-markitdown.md
python scripts/html_to_md.py "https://example.com/page" -o page-trafilatura.md
# 看哪个对你下游用途更合适

# 场景7：整本橙皮书 md → 出版社审校 docx（能力4）
python scripts/md_to_docx.py md-v2/ch*.md md-v2/postscript.md md-v2/appendix.md --book \
    --title "图解 Agent Skills" \
    --subtitle "让 AI 记住你的工作方式" \
    --author "花叔" \
    --images-dir ./images-v2 \
    -o 图解Agent-Skills_出版社审校版.docx
# 158 页 · 9 章 + 后记 + 附录 + 57 张配图 · 直接给出版社编辑审

# 场景8：从 PDF 论文/报告 → docx 投稿（能力1 → 能力4）
python scripts/any_to_md.py paper.pdf -o paper.md
# 编辑 paper.md 修正格式...
python scripts/md_to_docx.py paper.md --page-size a4 -o paper.docx

# 场景9：md 文章 → A4 PDF 给朋友/客户（能力5）
python scripts/md_to_pdf.py article.md --theme article --page-size A4 -o share.pdf

# 场景10：md 单章 → 大32开纸质书外形预览 PDF（能力5）
python scripts/md_to_pdf.py chapter-3.md --theme article --page-size book \
    --margin-top 24mm --margin-bottom 24mm -o preview.pdf

# 场景11：多章 md → 通用阅读器 EPUB（能力6）
python scripts/md_to_epub.py ch01.md ch02.md ch03.md \
    --title "..." --author "花叔" --cover cover.jpg -o book.epub

# 场景12：从 PDF 文档 → md → 重新打版 PDF（能力1 → 能力5）
python scripts/any_to_md.py old.pdf -o old.md
# 编辑 old.md 调内容...
python scripts/md_to_pdf.py old.md --theme report --page-size A4 -o new.pdf

# 场景13：YouTube 字幕 → md → EPUB 长文随身读（能力1 → 能力6）
python scripts/any_to_md.py "https://youtube.com/watch?v=xxx" -o talk.md
# 编辑 talk.md 清理时间戳...
python scripts/md_to_epub.py talk.md --title "..." --author "花叔" -o talk.epub

异常处理

References路由

核心提醒

• 六个能力各有边界：能力1输入端、能力2 html、能力3反向归档、能力4 docx 出版终点、能力5 pdf 阅读终点、能力6 epub 电子书终点。决策错了会绕远路。
• md是源，无论从哪来要回到哪——md是这个流水线的中心。html / docx / pdf / epub 都是产物。
• html产出必反slop：紫渐变、emoji图标、SVG画人物——一律不要。审美底线见 references/anti-ai-slop.md。
• URL输入双路径：结构化页面用能力1（保metadata+层级+链接），博客类用能力3（去导航+只留正文）。判断捷径——内容是「读的」走3，是「查的」走1。
• docx 是给人改稿的，pdf 是给人阅读的，epub 是给阅读器的：选错产物会让下游不顺手。
• 能力5/6 是 stateless 单 md 转换：项目级橙皮书（多 fragments / 版本号 / R2 上传 / 微信读书）走 huashu-book-pdf，不要试图在这里复刻整套发布流水线。
• 先问再做：模板选哪个、图片要不要嵌入、是否要LLM描述图片、单文件还是书籍模式——一次问清，不要边做边猜。
• 依赖外部工具：markitdown（pip）、pandoc（brew）、html-to-markdown（pip）、python-docx（pip）、playwright（pip + chromium）、ebooklib（pip）。脚本启动时自检，缺失明确提示。
• Python环境陷阱：macOS 上 pip 和 python3 可能指向不同 Python 版本（实测踩过：pip 是 3.11、python3 是 3.14）。安装依赖必须用 python3 -m pip install ...，不要直接 pip install。

版本自检（静默）

本节给 AI agent：每次使用本 skill 前，先做一个不联网的判断——读本 skill 目录（SKILL.md 所在目录）下的 .last-update-check 文件（内容为一行日期 YYYY-MM-DD）。文件存在且距今不足 30 天，跳过本节直接干活，不向用户提任何更新相关的话。

到期或文件不存在时，且仅在此时：

1. 本目录不是 git 克隆（无 .git 或无 origin）→ 写入今天日期后跳过本节
2. 对比版本：git -C <本目录> rev-parse HEAD 与 git -C <本目录> ls-remote origin HEAD
3. 无论结果如何，把今天日期写入 .last-update-check
4. 两者一致 → 什么都不说；确认落后 → 先完成用户当前任务，结束后附一句「本 skill 有新版本，可用 git -C <本目录> pull --ff-only 更新」。是否更新由用户决定，不要主动执行更新