PDF Agent Stack

日本語

English

日本語

English

Appearance

大きい PDF・読めない PDF ​

シナリオ ​

数十ページの報告書から「支払条件」と「検収」に関する箇所だけを取り出します。全文をコンテキストに流し込まず、 まず summarize で文書の性質を測り、search_text でヒットしたページだけを read_text で読みます。 テキスト層の無いスキャン相当のページは、空の抽出結果を「テキストが無い」とはせず、render_page の画像から読みます。 OCR はしません。読んだ範囲と読めなかった箇所は Read Report に書きます。

以下は 2026-09-16 の実測です（pdf-reader-mcp v0.15.1 / pdf-read Skill v0.2.2。ホストは Grok Build 1.0.30。 検体は 21 ページの自作報告書と、画像 XObject だけのスキャン相当 PDF）。

登場 MCP / Skill ​

役者役割
pdf-read Skill測る → 分岐 → 読み方（構造ツリー / 検索して絞る / 画像）の選択 → Read Report。空の next でも箇所抽出なら search_text に入る
pdf-readersummarize・search_text・read_text（pages 指定）・render_page

シーケンス図 ​

プロンプト例 ​

  • 「この報告書から支払条件と検収に関する箇所だけ抜いて。読めないページは理由を書いて」
  • 「500 ページあるから、必要なところだけ読んで。全文は流し込まないで」
  • 「スキャンした契約書を読んで。OCR はしないで」

実測例 — 21 ページの報告書（検索して絞ってから読む） ​

summarize は pageCount: 21、isTagged: false、isEncrypted: false、textExtractability: "extracted"、unreadablePages: [] を返しました。 next は空でした（reader が search_text を案内するのは 50 ページ超のときです）。Skill v0.2.2 は、空の next でも箇所抽出の依頼なら search_text に入ります。

search_text の querytotalMatchesヒットしたページ
支払条件221
検収321
再委託の禁止221

read_text は pages: "21" の 1 ページだけ呼びました。1〜20 ページは読んでいません（読めないのではありません）。

呼び出し — summarize / search_text / read_text
jsonc
{ "file_path": "/absolute/path/to/long-report.pdf", "response_format": "json" }
jsonc
{ "pageCount": 21, "isTagged": false, "isEncrypted": false,
  "textExtractability": "extracted", "unreadablePages": [], "next": [] }
jsonc
{ "file_path": "/absolute/path/to/long-report.pdf", "query": "検収", "response_format": "json" }
jsonc
{ "totalMatches": 3, "pages": [21], "truncated": false }
jsonc
{ "file_path": "/absolute/path/to/long-report.pdf", "pages": "21", "compact_whitespace": true }

Read Report（Skill が返した報告）:

  • 対象: long-report.pdf（21 ページ）
  • 読んだ範囲: 21（search_text のヒット。1–20 はフィラーで未読） / 読み方: 検索して絞ってから読む
  • テキスト抽出可能性: extracted（unreadablePages 空）
  • 読めなかった箇所: なし
  • 切り詰め: なし（search_text は truncated=false）

実測例 — テキスト層の無いページ（画像にして読む） ​

summarize は textExtractability: "no_text_layer"、hasText: false、imageCount: 1、textShowingOperators: 0、imageOperators: 1 を返し、next に render_page を挙げました。 read_text の text は空文字で、extractability.state は no_text_layer です。空文字は抽出の失敗ではなく、テキスト層が無いという報告です。

render_page（pages "1"、jpeg、150 dpi）は 136,247 バイトの画像を返し、条項は画素から読めました。OCR はしていません。

呼び出し — render_page
jsonc
{ "file_path": "/absolute/path/to/scan-no-text-layer.pdf", "pages": "1", "format": "jpeg", "dpi": 150 }

pages は必須です。画像はページ単位で返ります。

Read Report:

  • 対象: scan-no-text-layer.pdf（1 ページ）
  • 読んだ範囲: 1 / 読み方: 画像（render_page で描画して視覚モデルが読む）
  • テキスト抽出可能性: no_text_layer（read_text の text は空。これを「テキストが無い」とはしない）
  • 注: OCR はしていない。render_page のページ画像からの読み取りである

結果の読み方 ​

  • summarize を先に呼びます。 ページ数・タグ・暗号化・ページごとの抽出可能性が分かってから読み方を選びます
  • 空の抽出結果は「テキストが無い」の証拠ではありません。 extractability.state が no_text_layer なら画素にだけ本文があり、 not_extractable なら表示はできるが Unicode に変換できないフォントがあります（ISO 32000-2 §9.10.1）
  • 「読んでいない」と「読めない」を分けて書きます。 上の 21 ページ検体では、1〜20 ページは読んでいないだけです
  • render_page からの読み取りは OCR ではありません。Read Report には「画像からの読み取り」と書き、OCR したとは書きません
  • reader の next が search_text を案内するのは 50 ページ超のときです。それ未満でも、箇所抽出の依頼なら Skill が search_text に入ります

評価キットと報告書の全文: eval/hosts/grok-build/reports/UC07.md

MIT Licensed

© shuji-bonji