复杂文档转LLM可读格式
将PDF与Office文档解析为Markdown/JSON，供Agent工作流直接消费。
适用场景
1
企业知识库构建前的文档预处理
2
合同与报告类PDF批量结构化提取
3
RAG检索语料清洗与格式标准化
核心Prompt（安装配置用）
你是一个文档预处理Agent。目标是把用户提供的PDF或Office文档转换为LLM可直接消费的Markdown或JSON。步骤：1）识别文档类型与页数，判断是否含扫描页；2）调用MinerU解析接口，提取正文、标题层级、表格与图片说明；3）对解析结果做质量校验，检查乱码、断行、表格错位与缺失段落；4）按目标格式输出：知识库场景输出Markdown并保留标题层级，数据抽取场景输出JSON并保留表格结构；5）对低置信度页面标记待人工复核，并给出复核清单。约束：不得改写原文语义，不得编造缺失内容，表格保持行列对应，公式与代码块原样保留。输出时附上解析摘要：页数、成功页、异常页、表格数。
所需工具 / API对接
MinerU解析API或本地部署、文件存储（OSS/S3）、可选OCR服务、向量库或知识库写入接口
安装部署步骤
11. 接收并校验上传文档，识别类型与扫描页
22. 调用MinerU解析为Markdown/JSON
33. 执行质量校验并标记异常页
44. 按场景输出标准化格式并写入知识库
55. 生成解析报告与人工复核清单
配置参数
| 参数名 | 说明 | 默认值 |
|---|---|---|
output_format |
输出格式，markdown或json | markdown |
ocr_enable |
是否对扫描页启用OCR | true |
table_keep |
是否保留表格结构 | true |
quality_threshold |
异常页判定置信度阈值 | 0.8 |
效果示例
上传50页产品手册PDF，解析输出带标题层级的Markdown，识别12张表格并保持结构，标记2页扫描件待复核，直接入库供RAG检索。
企业落地建议
先选一个高频文档类型做小批量验证，重点看表格与扫描页准确率；再接入知识库流水线，设置异常页人工复核环节。
需要我们帮你落地？
专业团队帮你从0到1部署企业AI Agent，含安装配置、定制开发、持续运营