PDF 抽取：services/paper
隔离的 PDF 抽取 worker：一个无常驻进程的 Python 脚本，由控制 API 按次拉起，把 PDF 变成有界的 Markdown、表格、插图与页面预览。用户视角的上限清单见运行时行为参考。
1. 调用协议
API 侧（papers.ts）用 execFile 拉起：
<python> services/paper/paper_worker.py <输入 PDF 路径> <输出目录>- Python 解释器默认
.sciencediscovery-data/envs/paper/bin/python（SCIENCE_AGENT_PAPER_PYTHON_PATH可覆盖）；worker 路径SCIENCE_AGENT_PAPER_WORKER_PATH。 - worker 把
PaperExtractionManifestJSON 写到 stdout；API 侧 stdout 上限 10 MiB、单次调用超时 120 秒。 - 失败/取消由 API 写回 extraction job（
.sciencediscovery-data/artifact-extraction-jobs/），错误码CANCELLED/NORMALIZATION_FAILED，不自动重试。
2. 抽取管线（paper_worker.py，基于 pdfplumber）
- 校验：大小 ≤
MAX_PDF_BYTES（50 MiB）、%PDF-签名、输出目录为空、页数 ≤MAX_PAGES（200）。 - 文本：逐页
extract_text(layout=True)，累计不超过MAX_TEXT_CHARACTERS（2000 万），写fulltext.md（## Page N分节）。 - 表格：
find_tables()，过滤 1 行/1 列表格，每表输出 CSV + bbox 裁剪 PNG，上限MAX_TABLES（256）。 - 插图：
page.images去重（bbox），过滤小于 8×8 pt，渲染 PNG，上限MAX_FIGURES（128）。 - 页面预览：前
MAX_PAGE_PREVIEWS（24）页渲染 PNG；所有渲染 120 DPI。 - manifest：记录输入 SHA256、页/字符统计、每页
needsVision（嵌入文本 < 80 字符）、全部限制值与 warnings。
输出布局（会话工作区 papers/<paper-id>/analysis/）：
manifest.json fulltext.md tables.json
pages/page-0001.png … tables/table-0001-p3.{csv,png} … images/figure-0001-p2.png …3. 视觉分析（API 侧，不经 worker）
手动触发（POST /api/sessions/:id/papers/:paperId/vision）。候选图优先级：needsVision 页预览 → 插图 → 全部页预览，取前 MAX_VISION_IMAGES（4）张；单图 ≤ 5 MiB、总量 ≤ 12 MiB、响应 ≤ 2 MiB、超时 90 秒。由控制 API 直接 POST 视觉模型的 chat/completions（base64 data URL），结果写 papers/<id>/vision/<run-id>.md，请求与响应入 CAS，用量入 model-usage。
4. 测试
pnpm paper:setup（uv 锁定 venv）+ pnpm paper:test（unittest，services/paper/tests/），已接入 pnpm check。