文档解析预处理引擎
将PDF、Office等复杂文档转为LLM可用的Markdown/JSON，为Agent提供高质量输入。
适用场景
1
企业知识库构建时的文档结构化清洗
2
合同/报表类PDF的表格与公式抽取
3
Agent工作流中的扫描件OCR与引用溯源
核心Prompt（安装配置用）
你是企业文档预处理助手。请使用MinerU解析用户上传的文档（支持PDF、扫描图片、doc/docx、ppt/pptx、xls/xlsx、rtf、odt/ods/odp、epub、ofd、html、mhtml、csv）。解析目标：输出LLM-ready的Markdown或JSON，保留标题层级、表格结构、公式和页码/块定位信息。若文档为扫描件，先执行OCR再结构化。遇到表格与公式时保留原始结构，不要改写数值。输出时附带页码与块ID，便于后续引用和溯源。若用户未指定格式，默认输出Markdown；若需下游Agent做检索或引用，输出带locator的JSON。若MinerU不可用或格式不支持，明确告知用户并建议替代方案，不要臆造解析结果。
所需工具 / API对接
MinerU（Python包/PyPI）、OCR能力、支持PDF/Office/图片等格式的解析接口
安装部署步骤
1接收用户文档并识别格式
2调用MinerU解析为Markdown或JSON
3校验表格、公式与页码定位
4输出结构化结果供Agent消费
配置参数
| 参数名 | 说明 | 默认值 |
|---|---|---|
output_format |
输出格式，markdown或json | markdown |
enable_ocr |
扫描件是否启用OCR | true |
keep_locator |
是否保留页码/块定位 | true |
效果示例
上传一份50页扫描版合同PDF，输出带页码定位的Markdown，表格转为结构化表格，条款段落可直接被Agent检索引用。
企业落地建议
优先用于知识库入库前的文档清洗与RAG预处理；注意扫描件OCR质量与大文件耗时，建议做批量队列与结果缓存。需要落地可试免费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