这篇文章为什么值得现在写最近几个月文档解析领域的热点明显从“OCR 准不准”转向“Agent 能不能真的用”。2026-02-27发布的AgenticOCR把问题改写成按需解析核心不是整页全量 OCR而是围绕查询目标只提取真正需要的区域。2026-04-09发布的ParseBench明确提出AI Agent 时代更重要的是semantic correctness也就是表格结构、图表数据、格式语义和视觉 grounding 是否还能支撑自动决策。2026-05-21发布的MPDocBench-Parse把评测推进到多页真实文档强调跨页表格、标题层级、阅读顺序和语义连续性。2026-05-24发布的MinerU-Popo则把注意力放在跨页后处理说明“页级输出”到“文档级可用结构”之间依然存在工程鸿沟。这几条公开趋势放在一起结论很直接文档解析已经不只是 OCR 前处理而是在给 Agent、RAG 和企业知识库生产可消费的上下文。先给结论如果你今天在做企业知识库、科研资料处理或 Agent 文件读取MinerU 更适合被理解成一层文档解析基础设施而不是单一 OCR 工具。它的实际价值在于把PDF / 图片 / DOCX / PPTX / XLSX / Web pages尽量统一到同一条解析入口把结果落成Markdown / JSON等适合下游系统消费的结构化格式尽量保留标题层级、阅读顺序、表格、公式和多栏版式通过REST API / CLI / SDK / MCP / LangChain / LlamaIndex进入现有 Agent 与知识库流程但边界也要先说清楚它不等于“自动理解业务”后面仍然需要切分、检索、抽取和人工抽样验收扫描噪声、反光拍照、严重歪斜和弱质量图片仍需要单独复核不同入口的体验不完全等价开源能力不等于 SaaS 页面表现完全一致页数、额度、许可证、支持格式这类信息必须按当天官方 live docs 与官方仓库口径写为什么这波热点会把 MinerU 推到更关键的位置1. 评测口径从字符准确率变成 Agent 可用性今天更有价值的问题已经不是“字识别出来没有”而是标题层级还在不在跨页表格还能不能二次处理公式是否还能进入 LaTeX 或下游抽取页眉页脚和无关噪声会不会污染检索输出能不能直接进入 RAG 或 Agent 工具链这与ParseBench和MPDocBench-Parse的方向一致也和 MinerU 当前主打的结构化输出能力直接相关。2. MCP 和 Agent 工具链会放大解析错误典型链路通常是上传文档 - 解析 - chunk - 检索 - 工具调用 - 回答 / 填表 / 入库在这个链路里第一步如果把目录、页眉页脚、表格边界或图注关系做错后面每一步都只是在放大偏差。因此MinerU 的价值不只是“提文本”而是尽可能降低上下文损耗。3. 企业知识库和科研数据处理都在要求“一套统一入口”官方MinerUREADME 当前把主流输入类型已经扩到PDF、图片、DOCX、PPTX、XLSX和网页。这意味着团队不必再为每种文件类型临时拼不同 parser更适合把 MinerU 放在知识库和 Agent 的入口层。截至 2026-06-11MinerU 有哪些当天可核对的事实下表只写公开可核验、且今天仍应按保守口径使用的内容。维度2026-06-11可核对口径对落地的意义主线版本官方MinerUREADME 记录2026/04/18 3.1.0 Released写方案时不能继续把 MinerU 简化成“只做 PDF”输入类型README 写明支持PDF / DOCX / PPTX / XLSX / Images / Web pages可以作为统一文档入口层输出能力README 写明输出Markdown / JSONAPI docs 支持额外导出docx/html/latex适合接 RAG、抽取、审计与再加工精准解析 API官方 live docs 当前为 200MB、 200 页对批量生产更友好但需 TokenAgent 轻量解析 API官方 live docs 当前为 10MB、 20 页适合无 Token 快速试跑和 Agent 轻接入生态接入官方MinerU-Ecosystem仍提供 CLI、Python/Go/TS SDK、MCP、LangChain 等便于进入现有系统而不是只给一套裸 REST 接口许可证LICENSE.md当前为基于Apache License 2.0的MinerU Open Source License并附加额外条款商业上线前必须核对阈值和在线服务标识义务一个必须保留的差异说明本仓库/Users/wangshasha/Documents/New project/wss-prd-1/docs/05-source-of-truth.md已记录过历史资料与官方llms.txt中曾出现600 页等旧口径。本文按2026-06-11官方 live docs 采用更保守写法精准解析 API 200 页每账号每天高优先级额度1000 页 / 天如果未来你发现llms.txt、旧课件或第三方教程仍写更大上限出稿时请优先使用 live docs并把差异单独标注出来。MinerU 对企业知识库、科研数据处理和 Agent 的真实价值对企业知识库同一组织里的资料往往混合了 PDF、Word、PPT、Excel 和扫描件真正影响知识库质量的不是“有没有文本”而是结构能否保留MinerU 更适合放在入库前先做解析、去噪、结构保留再进入 chunk 和索引对科研数据处理论文、附录、实验表格和公式是高频场景如果阅读顺序和公式结构损坏RAG 的召回和回答都会偏Markdown JSON 可选 latex/html的组合更适合后续再加工对 Agent 工作流官方生态仓库当前仍提供uvx mineru-open-mcp这意味着 MinerU 可以作为 MCP 工具被 Cursor、Claude Desktop、Windsurf 一类客户端直接调用对 Agent 而言这类能力的关键不是“能调用”而是“返回结果是否足够干净、可继续推理”但别把 MinerU 写成万能答案1. 不要把“结构化输出”写成“自动完成知识理解”MinerU 负责把文档转换成更适合系统消费的结构不负责替你完成业务判断、事实核验和最终答案生成。2. 不要把“支持扫描件”写成“任何低质量图像都稳定可用”复杂扫描件、印章遮挡、斜拍、阴影、反光、页边裁切仍然是必须抽样验收的风险点。3. 不要把“开源支持”写成“各端行为完全一致”本仓库知识库已经明确提醒过SaaS 页面、桌面客户端、在线 API 与本地开源部署的具体体验并不必然完全一致。4. 不要把“能导出 Markdown”当成唯一指标如果标题树错了、表格散了、跨页关系断了、页眉页脚进正文了那么 Markdown 只是“看起来有结果”并不等于 Agent 可用。一套不伪造跑分的可复现实验方案说明以下内容不是官方 benchmark 成绩也不是本文作者已经跑完的实测结果只是一套可复现设计。请替换为你自己的样本并保留原始记录。实验目标验证 MinerU 是否能在多页复杂文档场景里稳定保留下列能力维度要回答的问题建议检查方式阅读顺序多栏、脚注、跨页段落是否串行人工对照原文抽查full.md标题层级章节树是否仍可恢复检查#层级、目录与页标题表格结构表头、合并单元格、跨页表格是否还能消费检查html或 Markdown 表格公式与图表公式、图表说明是否丢失抽样核对latex与图注噪声控制页眉页脚、页码、水印是否进入正文统计重复噪声行推荐样本集样本类型最少样本数为什么选它双栏英文论文 PDF3测阅读顺序、公式、图注中文财报或招股书 PDF3测跨页表格、目录层级扫描合同或票据3测 OCR 与弱质量样本产品介绍 PPTX3测标题、项目符号、图文混排Excel 台账 XLSX3测表头、Sheet 结构、行列可消费性如果团队时间有限至少保留论文 PDF 财报 PDF PPTX三组。评分记录模板文档输入格式主要风险输出文件人工判定备注paper-01PDF双栏 公式full.md/layout.json待读者填写是否有公式丢失report-01PDF跨页表格full.md/html待读者填写表头是否合并contract-01PDF/图片扫描噪声full.md待读者填写是否需强制 OCRdeck-01PPTX图文混排full.md待读者填写页标题是否稳定ledger-01XLSXSheet 结构full.md/json待读者填写行列是否可二次处理建议评分标准分值含义1结构严重损坏需要大量人工返工3可用但要清洗适合人工半自动流程5基本可直接进入 RAG / Agent / 数据抽取链路读者可复现的操作步骤步骤 1选真实样本不要只跑干净 demo至少选择一份会让下游系统出错的文档例如双栏论文带跨页大表的财报拍照扫描合同图文混排的 PPTX步骤 2先用官方 API 提交解析任务下面示例对应官方 live docs 的精准解析接口主要用于说明流程。实际返回字段、状态名和下载字段请以你运行当天的官方文档为准。importtimeimportrequests TOKENyour-tokenBASE_URLhttps://mineru.net/api/v4headers{Authorization:fBearer{TOKEN},Content-Type:application/json,}payload{url:https://cdn-mineru.openxlab.org.cn/demo/example.pdf,model_version:vlm,language:ch,extra_formats:[html,latex],}create_resprequests.post(f{BASE_URL}/extract/task,headersheaders,jsonpayload,timeout60,)create_resp.raise_for_status()task_idcreate_resp.json()[data][task_id]whileTrue:resprequests.get(f{BASE_URL}/extract/task/{task_id},headersheaders,timeout60,)resp.raise_for_status()dataresp.json()[data]statedata[state]print(state:,state)ifstatedone:print(zip:,data[full_zip_url])breakifstatefailed:raiseRuntimeError(data.get(err_msg,parse failed))time.sleep(5)步骤 3同时检查Markdown、结构文件和附加导出结果不要只打开full.md。至少同时检查full.md布局相关json额外导出的html/latex很多问题在纯 Markdown 里不明显但在结构文件里会暴露出来例如跨页表格断裂、标题树丢失、图注挂错对象。步骤 4跑一个轻量质量检查器下面的脚本不是 benchmark只是把最容易漏掉的风险先筛出来。from__future__importannotationsimportrefromcollectionsimportCounterfrompathlibimportPathdefread_text(path:str)-str:returnPath(path).read_text(encodingutf-8,errorsignore)defcount_tables(text:str)-int:linestext.splitlines()count0foriinrange(len(lines)-1):if|inlines[i]andre.search(r\|\s*:?-{3,}:?\s*\|,lines[i1]):count1returncountdefcount_formulas(text:str)-int:returnlen(re.findall(r\$\$[\s\S]?\$\$,text))defrepeated_noise_lines(text:str,min_repeat:int3)-list[tuple[str,int]]:lines[re.sub(r\s, ,line.strip())forlineintext.splitlines()if6len(line.strip())80]counterCounter(lines)return[(line,n)forline,nincounter.most_common()ifnmin_repeat][:20]definspect_markdown(path:str)-dict:textread_text(path)return{chars:len(text),headings:len(re.findall(r^#{1,6}\s,text,flagsre.M)),tables:count_tables(text),formula_blocks:count_formulas(text),noise_lines:len(repeated_noise_lines(text)),}if__name____main__:resultinspect_markdown(./outputs/full.md)forkey,valueinresult.items():print(f{key}:{value})这个脚本的意义不是给出“官方分数”而是帮你快速发现表格是否明显丢失公式是否明显缺失页眉页脚是否重复污染正文步骤 5再决定是否进入知识库或 Agent 生产链路建议加一道人工验收门抽样通过后再入库问题样本保留原文、输出和人工备注对高风险格式单独设规则例如扫描合同强制 OCR、财报强制导出 HTML 表格一个最小 MCP 接入示例如果你的目标是把 MinerU 直接接入支持 MCP 的客户端官方生态仓库当前仍给出如下配置{mcpServers:{mineru:{command:uvx,args:[mineru-open-mcp],env:{MINERU_API_TOKEN:your_key_here}}}}这个接入方式适合做两类事情把 MinerU 作为 Agent 文件读取工具把文档解析结果直接送入下游问答、抽取或知识库流程上线和验证注意事项1. 先看许可证再谈生产接入截至2026-06-11官方LICENSE.md当前写法不是旧的单纯AGPL-3.0口径而是基于Apache 2.0的MinerU Open Source License并附加商业阈值与在线服务标识义务。如果你要做商业化在线服务对第三方提供 SaaS面向大规模用户分发请在上线前先做一次正式许可证审阅。2. API 限制项要按 live docs 动态核对最容易变的是单文件大小页数限制每日额度支持格式Agent 轻量接口的限频与错误码不要直接抄旧课件或第三方博客。3. 把“解析可用性”单独纳入验收很多团队只验 API 是否返回成功这是不够的。建议至少增加结构抽样验收噪声行统计高风险样本白名单 / 黑名单失败任务和人工复核回流4. 把多页复杂文档作为主测试集而不是边角样本如果你的业务真实风险来自财报、研究报告、合同附件、制度汇编就不要只拿单页干净 PDF 做验收。怎么判断 MinerU 适不适合你更适合使用 MinerU 的团队正在做企业知识库、RAG、Agent 文件工具文档格式复杂且不只 PDF需要保留表格、标题层级、公式或多栏结构希望同时保留开源部署与在线 API 两条选项需要更谨慎评估的团队全部输入都是极端低清扫描件需要零人工抽样验收对许可证或在线服务标识有严格合规约束把“可导出 Markdown”误当成全部验收标准结语如果把 2026 年上半年的文档解析热点放在一起看一个变化已经非常清楚大家不再满足于“把文档变成字”而是在追求“把文档变成 Agent 真能用的上下文”。从这个角度看MinerU 的价值不在于它能不能把 PDF 转成 Markdown而在于它是否能作为企业知识库、科研数据处理和 Agent 文件工作流的稳定入口把结构损耗、噪声污染和多格式接入成本尽量压低。但这件事的判断方式也不能再停留在传统 OCR 跑分。更合理的方法是用你自己的多页复杂文档样本按本文给出的步骤做一轮可复现实验再决定它是否适合进入生产。来源链接MinerU 官方 API 文档https://mineru.net/apiManage/docsMinerU 官方限流说明https://mineru.net/apiManage/limitMinerU 官方仓库 READMEhttps://github.com/opendatalab/MinerUMinerU 官方许可证https://github.com/opendatalab/MinerU/blob/master/LICENSE.mdMinerU-Ecosystem 官方仓库https://github.com/opendatalab/MinerU-EcosystemParseBench 论文https://arxiv.org/abs/2604.08538MPDocBench-Parse 论文https://arxiv.org/abs/2605.22100AgenticOCR 论文https://arxiv.org/abs/2602.24134MinerU-Popo 论文https://arxiv.org/abs/2605.24973