实践分享· 基于 MinerU OpenClaw Agent 工作流的文档解析实战附完整搭建思路做 RAG、做知识库、做文档分析绕不开 PDF。但传统的 PDF 解析工具基本上都在处理文字提取遇到表格、公式、多栏排版、扫描件直接崩。这篇文章分享的是我基于MinerU搭建 Agent 工作流的实践思路。1. MinerU 是什么MinerU 是**上海人工智能实验室Shanghai AI Lab**开源的文档解析引擎GitHub star 数已超 59k。核心能力一览PDF / Word / PPT / 图片 / 网页 → 结构化Markdown / JSON公式识别 → 输出LaTeX不是截图表格结构化 → 还原合并单元格输出 Markdown 表格或 HTML多栏布局自动识别阅读顺序正确VLM OCR 双引擎支持扫描件和手写体109 种语言MinerU2.5-Pro1.2B 参数OmniDocBench v1.6 得95.69 分超越 GPT-4o 和 Qwen2.5-VL-72B重点是它是开源免费的本地 CPU 跑得了有 GPU 跑得更快。2. 典型使用场景 学术论文批量入库以前下载 PDF → pdfplumber → 公式全乱 → 手动修 → 崩溃现在MinerU 一键解析 → 干净 Markdown → 直接喂 Embedding → 进向量数据库 企业报告智能问答财报、研报、技术文档版面复杂传统方案提取质量差。MinerU 在复杂版面上的表现明显优于 pdfplumber、PyMuPDF 等工具。 Agent 工作流集成最前沿的场景。配合 LangChain 有官方langchain-mineru集成包一行代码把 PDF 变成 LangChain Document 对象直接接 RAG pipeline。3. 工作流搭建思路我基于OpenClaw MinerU搭的工作流大致如下三个关键设计原则MinerU 作为「前置处理」节点负责把非结构化文档变成 LLM 可以直接读的干净文本不要让 LLM 直接处理原始 PDF那是在浪费 token 和精度对于扫描件一定开 VLM 模式pipeline 模式在这里效果差很多4. 快速上手pipinstallmineru mineru-pyour_document.pdf-o./output输出目录里会有文件内容document.md完整 Markdown 正文images/提取出的图片文件document_middle.json带坐标的中间格式可用于二次开发完整文档https://github.com/opendatalab/MinerU5. 与当下 AI 浪潮的关系从 Kimi K2.6 说起这两天 Kimi K2.6 开源刷屏支持 300 个子 Agent 并行能跑 13 小时连续编码任务。背后的基础设施是什么就是结构化的文档处理能力。Agent 做的事越复杂越需要稳定的知识输入。如果文档解析这一环出了问题后续所有的推理都是在沙地上建房子。MinerU 干的就是这个最基础但最容易被忽略的活儿把文档变成 Agent 能理解的语言。6. 工具对比对比维度传统工具pdfplumber 等MinerU适用场景公式识别截图 / 乱码✅ LaTeX 输出学术论文、技术文档表格还原结构丢失✅ 完整还原财报、数据报告多栏排版顺序错乱✅ 正确识别杂志、期刊 PDF扫描件支持基本不可用✅ VLM 支持历史档案、合同扫描件LangChain 接入需手动处理✅ 官方 LoaderRAG pipeline 构建总结如果你在做任何涉及文档的 AI 工作流MinerU 值得试一下。它解决的不是能不能提取文字的问题而是能不能让 AI 真正读懂文档的问题。这个区别在实际项目里会差一个量级的效果。标签MinerURAGPDF解析AI工作流LangChainOpenClawAgentCSDN 用 MinerU + Agent 工作流，我把 PDF 处理效率提了 10 倍
实践分享· 基于 MinerU OpenClaw Agent 工作流的文档解析实战附完整搭建思路做 RAG、做知识库、做文档分析绕不开 PDF。但传统的 PDF 解析工具基本上都在处理文字提取遇到表格、公式、多栏排版、扫描件直接崩。这篇文章分享的是我基于MinerU搭建 Agent 工作流的实践思路。1. MinerU 是什么MinerU 是**上海人工智能实验室Shanghai AI Lab**开源的文档解析引擎GitHub star 数已超 59k。核心能力一览PDF / Word / PPT / 图片 / 网页 → 结构化Markdown / JSON公式识别 → 输出LaTeX不是截图表格结构化 → 还原合并单元格输出 Markdown 表格或 HTML多栏布局自动识别阅读顺序正确VLM OCR 双引擎支持扫描件和手写体109 种语言MinerU2.5-Pro1.2B 参数OmniDocBench v1.6 得95.69 分超越 GPT-4o 和 Qwen2.5-VL-72B重点是它是开源免费的本地 CPU 跑得了有 GPU 跑得更快。2. 典型使用场景 学术论文批量入库以前下载 PDF → pdfplumber → 公式全乱 → 手动修 → 崩溃现在MinerU 一键解析 → 干净 Markdown → 直接喂 Embedding → 进向量数据库 企业报告智能问答财报、研报、技术文档版面复杂传统方案提取质量差。MinerU 在复杂版面上的表现明显优于 pdfplumber、PyMuPDF 等工具。 Agent 工作流集成最前沿的场景。配合 LangChain 有官方langchain-mineru集成包一行代码把 PDF 变成 LangChain Document 对象直接接 RAG pipeline。3. 工作流搭建思路我基于OpenClaw MinerU搭的工作流大致如下三个关键设计原则MinerU 作为「前置处理」节点负责把非结构化文档变成 LLM 可以直接读的干净文本不要让 LLM 直接处理原始 PDF那是在浪费 token 和精度对于扫描件一定开 VLM 模式pipeline 模式在这里效果差很多4. 快速上手pipinstallmineru mineru-pyour_document.pdf-o./output输出目录里会有文件内容document.md完整 Markdown 正文images/提取出的图片文件document_middle.json带坐标的中间格式可用于二次开发完整文档https://github.com/opendatalab/MinerU5. 与当下 AI 浪潮的关系从 Kimi K2.6 说起这两天 Kimi K2.6 开源刷屏支持 300 个子 Agent 并行能跑 13 小时连续编码任务。背后的基础设施是什么就是结构化的文档处理能力。Agent 做的事越复杂越需要稳定的知识输入。如果文档解析这一环出了问题后续所有的推理都是在沙地上建房子。MinerU 干的就是这个最基础但最容易被忽略的活儿把文档变成 Agent 能理解的语言。6. 工具对比对比维度传统工具pdfplumber 等MinerU适用场景公式识别截图 / 乱码✅ LaTeX 输出学术论文、技术文档表格还原结构丢失✅ 完整还原财报、数据报告多栏排版顺序错乱✅ 正确识别杂志、期刊 PDF扫描件支持基本不可用✅ VLM 支持历史档案、合同扫描件LangChain 接入需手动处理✅ 官方 LoaderRAG pipeline 构建总结如果你在做任何涉及文档的 AI 工作流MinerU 值得试一下。它解决的不是能不能提取文字的问题而是能不能让 AI 真正读懂文档的问题。这个区别在实际项目里会差一个量级的效果。标签MinerURAGPDF解析AI工作流LangChainOpenClawAgentCSDN