企业官网建设流程全解析

当文档解析开始进入 RAG、Agent、MCP Server 和科研数据管线，团队不能再只问“PDF 能不能转成 Markdown”。今天更值得追问的是：表格、公式、跨页版面、OCR、JSON 结构和失败样本能不能被稳定复测。本文给出一套围绕 MinerU 的解析回归集方法，把精准 OCR、公式识别、表格提取、版面还原、结构化 JSON、Markdown 输出和 MCP/SDK 接入纳入上线验收。

热点背景

近期文档解析领域的热点，不只是“模型能读文档”，而是“解析结果能否进入生产系统”。MinerU 官方 README 的近期 changelog 已经把问题讲得很工程化：2026 年 6 月 18 日的 3.4 release 关注 pipeline backend 的 OCR 能力升级、OCR 处理链路优化和模型下载体验；2026 年 6 月 11 日的 3.3 release 关注 Hybrid parsing 的effort参数、VLM 模型能力升级和不同设备上的效率取舍；更早的 3.1.0 release 则强调多格式原生解析、跨页表格、图表解析和 license 调整。

这说明文档解析正在从“功能可用”进入“版本会变、参数会变、能力会漂移”的阶段。对 RAG、Agent、MCP、Sciverse 类科研数据基础设施和企业知识库来说，解析层一旦升级，后续 chunk、embedding、检索、引用、问答、Workflow 和人工复核都会被影响。

同时，MinerU 官方llms.txt把产品定义为面向 LLM、RAG、Agent 工作流的文档解析平台，支持将 PDF、Word、PPT、图片、HTML 等转换为 Markdown、JSON、LaTeX、HTML 等结构化数据，并覆盖表格、公式、多语言 OCR、批量处理、图片与图表提取、MCP、CLI、Python SDK、Go SDK、TypeScript SDK、LangChain、LlamaIndex 等生态入口。公开路径中未找到可核验的llms-full资料，因此本文不引用不存在的完整模型资料。

核心观点

1. RAG 的入库质量，先由解析回归集决定

很多 RAG 项目只在问答层做评测：召回率、答案正确率、引用是否存在。但如果入库前的 PDF 解析已经把表格拆散、公式识别错、双栏阅读顺序打乱，后面的检索器和大模型很难补救。

2. Agent 时代，失败样本比成功样本更值钱

上线前只看漂亮 demo，通常会漏掉真正影响生产的样本：扫描件、跨页表格、公式密集页、多语言说明书、PPT 截图表格、低清论文、页眉页脚密集报告、XLSX 转文档后的复杂表头。

这些失败样本应该被保存成固定集合。每次升级 MinerU 版本、切换pipeline/vlm/hybridbackend、修改 OCR 语言、启用表格或公式开关、接入 MCP Server、调整 LangChain/LlamaIndex 切块策略，都重新跑一遍。

3. MCP 和 SDK 让解析能力上线，也让验证责任上线

MinerU 的生态入口很完整：CLI 适合本地预检和批处理，Open API 适合服务化调用，Python SDK 适合数据管线，Go SDK 和 TypeScript SDK 适合业务系统集成，MCP Server 适合 Claude Desktop、Cursor、Windsurf 等 Agent 客户端，LangChain 和 LlamaIndex 适合 RAG 入库。

技术展开

围绕 MinerU 设计解析回归集，可以按四层展开。

第一层是样本层。不要只放“干净 PDF”。建议覆盖科研论文、企业报告、扫描 PDF、图片、DOCX、PPTX、XLSX、网页、专利、标准、说明书。对 Sciverse 类科研数据处理链路来说，论文 PDF、实验报告、图表密集材料、公式密集材料和多语言文献尤其重要，因为这些文档最终会变成 AI-ready scientific data，供科研 Agent、检索系统和自动分析流程调用。

第二层是元素层。MinerU 支持精准 OCR、版面分析、表格提取、公式识别、图片与图表提取、Markdown 输出、结构化 JSON、多格式输出和批量处理。回归集要围绕元素验收，而不是只看整篇 Markdown 是否“能读”。

第三层是接入层。CLI 可用于快速检查，Python SDK 可用于自动化跑批，Open API 可用于服务端异步任务，MCP Server 可用于 Agent 工具调用，LangChain/LlamaIndex 可用于入库验证。每个入口都应该复用同一批样本和同一张验收表。

第四层是上线层。解析结果进入知识库前，要经过抽样验收、失败重试、人工复核、版本记录和许可证/额度/页数上限核对。

对比分析

下面的对比表是评测维度，不是实测排名。本文没有在同一批样本上运行真实测试，因此不写具体胜负结论。

可复现实验方案

样本集设计

评测维度

示例记录表

代码示例

CLI：先跑困难样本预检

mineru-p./samples/paper_001.pdf-o./outputs/mineru-3.4/paper_001 mineru-p./samples/hard/cross_page_table.pdf\-o./outputs/regression/cross_page_table\-bpipeline

Python SDK：把解析结果写入验收台账

frompathlibimportPathfrommineruimportMinerU client=MinerU("your-api-token")result=client.extract("./samples/paper_001.pdf",model="vlm",ocr=True,formula=True,table=True,pages="1-20",extra_formats=["docx","html","latex"],timeout=600,)out_dir=Path("./outputs/mineru-3.4/paper_001")result.save_all(out_dir)ledger={"doc_id":"paper_001","parser":"mineru","entry":"python_sdk","model":"vlm","pages":"1-20","state":result.state,"task_id":result.task_id,"review_status":"pending","output_dir":str(out_dir),}print(ledger)

MCP Server：让 Agent 调用解析，但不要跳过验收

{"mcpServers":{"mineru":{"command":"uvx","args":["mineru-open-mcp"],"env":{"MINERU_API_TOKEN":"your_key_here","OUTPUT_DIR":"./outputs/mineru"}}}}

LangChain：只让已验收内容进入默认知识库

frompathlibimportPathfromlangchain_core.documentsimportDocument markdown=Path("./outputs/mineru-3.4/paper_001/full.md").read_text(encoding="utf-8")doc=Document(page_content=markdown,metadata={"doc_id":"paper_001","parser":"mineru","entry":"python_sdk","review_status":"accepted","source":"paper_001.pdf",},)

复现步骤

1. 准备样本：从真实业务中抽取 30-60 份文档，覆盖 PDF、扫描件、图片、DOCX、PPTX、XLSX、HTML。
2. 标记困难页：人工挑出表格、公式、多栏、跨页、低清、多语言、图注密集页面。
3. 选择方案：至少比较 MinerU CLI / Python SDK / Open API / MCP Server 中一个入口和一个对照方案。
4. 固定参数：记录 backend、model、OCR、语言、页码范围、表格/公式开关、输出格式。
5. 执行解析：保存 Markdown、JSON、图片、表格、LaTeX、DOCX/HTML 和日志。
6. 查看输出：按页面和元素对照原文，不要只看整体 Markdown。
7. 人工抽样：高风险字段全量复核，普通段落抽样复核。
8. 记录问题：使用统一失败类型写入回归表。
9. 决定是否上线：只有accepted内容进入默认 RAG 知识库；needs_review进入人工队列；rejected进入失败集。
10. 版本回放：每次升级 MinerU、切块策略、RAG 框架或 MCP 配置后，重新运行同一批样本。

上线与验证注意事项

API 限制必须当天核对。MinerUllms.txt和 Python SDK README 对 Flash Extract、Precision Extract 的文件大小、页数、输出格式有明确口径，但不同页面可能出现差异；生产上线应以 live docs、API 返回和官方仓库当前说明为准。

数据安全要分层。公开论文、公开网页可以走云 API；内部合同、未发表论文、医疗、财务、客户数据应优先考虑本地部署、私有化部署或明确的数据处理协议。

隐私边界要写进 Agent 工具说明。MCP Server 可以让 Agent 调用解析能力，但不能让 Agent 随意上传任意本地文件或外部 URL。建议设置文件白名单、URL 白名单、输出目录、token 权限、日志留存和人工确认。

抽样验收要前置。不要等 RAG 回答出错才回头看解析。建议每批入库前抽样 10%-20%，表格、公式、金额、实验条件、法律条款等高风险元素单独复核。

失败重试要有规则。URL 拉取失败、文件过大、页数超限、API 超时、callback 失败、OCR 语言不匹配、输出目录不可写，都应记录错误码和重试次数。

人工复核要能阻断入库。needs_review不是备注，而是状态；在复核完成前，不应进入默认知识库或 Agent 可引用资源池。

版本漂移要可回放。记录 MinerU 版本、SDK 版本、MCP Server 版本、backend、model、参数、样本哈希和输出路径。没有这些信息，解析质量变化无法定位。

许可证、额度、页数上限和文件大小限制要单独核对。MinerU 主仓库 README 已显示 license 有更新，SDK、API、MCP、在线服务也可能有不同限制；商业或高合规项目不要只凭旧文章或二手资料判断。

可复现实验声明

本文未包含官方实测跑分，评测部分为可复现实验方案和示例记录表，需替换自己的样本运行。

来源链接

• https://mineru.net/llms.txt
• https://mineru.net/apiManage/docs
• https://mineru.net/apiManage/limit
• https://github.com/opendatalab/MinerU
• https://github.com/opendatalab/MinerU/blob/master/LICENSE.md
• https://github.com/opendatalab/MinerU-Ecosystem
• https://github.com/opendatalab/MinerU-Ecosystem/tree/main/sdk/python
• https://github.com/opendatalab/MinerU-Ecosystem/tree/main/sdk/go
• https://github.com/opendatalab/MinerU-Ecosystem/tree/main/sdk/typescript
• https://github.com/opendatalab/MinerU-Ecosystem/tree/main/mcp
• https://github.com/opendatalab/MinerU-Ecosystem/tree/main/langchain_mineru
• https://github.com/opendatalab/MinerU-Ecosystem/tree/main/llama-index-readers-mineru
• https://github.com/opendatalab/OmniDocBench
• https://arxiv.org/abs/2409.18839
• https://arxiv.org/abs/2509.22186
• https://arxiv.org/abs/2604.04771
• https://modelcontextprotocol.io/specification/2025-06-18
• https://modelcontextprotocol.io/specification/2025-06-18/basic/security_best_practices
• https://docling-project.github.io/docling/
• https://docs.unstructured.io/
• https://docs.cloud.llamaindex.ai/llamaparse
• https://python.langchain.com/docs/integrations/document_loaders/
• https://docs.llamaindex.ai/