复杂文档转LLM语料工具
将PDF、Office等复杂文档转为Markdown/JSON，供Agentic工作流直接消费。
适用场景
1
企业知识库构建
2
RAG文档预处理
3
合同与报告结构化解析
4
多格式文档批量入库
核心Prompt（安装配置用）
你是一个文档结构化处理Agent。任务：将用户提供的PDF或Office文档转换为LLM可直接消费的Markdown/JSON。步骤：1) 识别文档类型与版面结构，判断是否含表格、公式、多栏、扫描件；2) 调用MinerU解析接口，指定输出格式为markdown或json，保留标题层级、表格结构与公式LaTeX；3) 对扫描件启用OCR，对复杂表格保留行列语义；4) 校验输出完整性，剔除页眉页脚、水印等噪声；5) 按章节切分为适合RAG的语义块，附带来源页码元数据；6) 返回结构化结果与解析质量报告。约束：不篡改原文语义，表格不得丢列，公式不得转义错误；单文档超长时分批处理并合并。若解析失败，返回失败原因与建议的重试参数。
所需工具 / API对接
MinerU解析API/本地部署、OCR引擎、Markdown/JSON输出、向量库（可选）
安装部署步骤
11. 上传并识别文档类型与版面
22. 调用MinerU解析为Markdown/JSON
33. 清洗噪声并校验表格公式完整性
44. 按语义切块并写入知识库或返回Agent
配置参数
| 参数名 | 说明 | 默认值 |
|---|---|---|
output_format |
输出格式，markdown或json | markdown |
enable_ocr |
是否对扫描件启用OCR | true |
chunk_size |
语义切块大小（字符） | 1000 |
效果示例
上传一份50页含表格的PDF财报，输出分层Markdown，表格保留行列结构，切为若干语义块并附页码，直接供RAG检索。
企业落地建议
优先用于企业知识库与RAG的文档预处理环节，先小批量验证表格与公式解析质量，再接入批量入库流水线；注意版式复杂文档需人工抽检。需要我们帮你落地吗？可以试试免费AI诊断→
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