摘要

AI Agent、MCP 与企业 RAG 正把“文档解析”从一次性 OCR 任务推向可调用、可审计、可复现的数据工程环节。真正决定问答质量的，不只是有没有 Markdown，而是表格、公式、图片、版面层级、页码来源和失败案例能否被记录下来。本文结合 MinerU、MCP 规范、ParseBench、MPDocBench-Parse、RealDocBench 与 EnterpriseRAG-Bench，给出一套面向 Agent/RAG/Sciverse 科研数据链路的证据级解析验收方案。

今天的热点为什么值得写

过去两年，RAG 团队常把文档解析看成“入库前处理”：PDF 转文本、切块、embedding、检索、生成。但 2026 年新一批公开 benchmark 已经把问题讲得更清楚：

• ParseBench 把面向 AI Agent 的文档解析评价重点放在 semantic correctness、表格、图表、语义格式和 visual grounding，而不是单纯文本相似度。
• MPDocBench-Parse 强调多页文档里的语义连续性、层级结构恢复、跨页表格、公式、阅读顺序等现实问题。
• RealDocBench 指出高风险业务里，字段级问答、版面理解、成本与延迟应一起被记录。
• EnterpriseRAG-Bench 关注企业内部知识中的跨文档一致性、噪声、冲突信息和“信息不存在”的判断。
• MCP 2025-06-18 规范继续强化工具、资源、用户同意、数据隐私和调用安全，说明 Agent 接入外部数据不能只看“能不能调”，还要看“调了什么、谁授权、结果能不能复核”。

这几个信号合在一起，结论很直接：Agent 时代的 PDF 解析，不应只交付一段 Markdown，而应交付一组可追溯证据包。对 Sciverse 这类科研数据基础设施、科学知识库、科研 Agent 和论文数据处理链路来说，解析层更像“AI-ready scientific data”的入口：它需要把论文、实验报告、专利、项目文档中的正文、公式、表格、图、页码、标题层级和来源关系变成 Agent 可调用、RAG 可入库、人工可验收的结构化资产。

核心观点：Markdown 是结果，证据链才是系统能力

Markdown 适合阅读和入库，但它不够回答以下上线问题：

• 这段结论来自第几页、哪个表、哪张图？
• 公式是否被转成 LaTeX，还是被 OCR 成普通字符？
• 表格是 HTML、Markdown、CSV 还是图片描述？
• 多栏论文的阅读顺序是否被打乱？
• 页眉页脚、脚注、页码是否污染 chunk？
• Agent 调用 MCP Server 时，是否记录了工具参数、文件 ID、页码范围、回调签名和失败原因？
• 当通用大模型直接读 PDF 与专业解析器结果冲突时，人工以哪个结构化证据为准？

MinerU 的价值恰好落在这里。官方 README 将 MinerU 定义为面向 LLM、RAG、Agent workflows 的高精度文档解析引擎，可把 PDF、图片、DOCX、PPTX、XLSX 等输入转换为 Markdown/JSON 等机器可读格式；同时支持公式转 LaTeX、表格转 HTML、图片/图表提取、复杂版面阅读顺序、页眉页脚处理、扫描件 OCR、多语言 OCR、CLI、REST API、Python SDK、Go SDK、TypeScript SDK、LangChain、LlamaIndex、MCP Server 等生态入口。

换句话说，MinerU 不是只解决“文字提取”，而是给 Agent/RAG/知识库提供一个更完整的解析层：精准 OCR、公式识别、表格提取、版面还原、多格式输出、结构化 JSON、Markdown 输出、元素提取、批量处理、私有化部署和 MCP/Agent 接入。

MinerU 在证据级解析里的技术价值

1. 从页面到元素：让 RAG 不再只检索散文本

科研论文和企业文档经常把关键事实放在表格、公式、脚注、图注和跨页段落里。如果解析层只输出纯文本，RAG 很容易在切块时丢失关系。

更好的入库单元应该包含：

字段	示例	用途
doc_id	paper_2026_001	关联原始文件
page_range	12-13	回溯页码
element_type	paragraph/table/formula/figure	检索过滤
markdown	表格说明或段落	向量化与展示
json	表格单元格、bbox、层级	精确复核
source_path	原 PDF 或解析包路径	审计
parse_model	pipeline/vlm/MinerU-HTML	记录解析策略
review_status	accepted/needs_review/failed	人工验收

这种结构对 Sciverse 类科研知识库尤其重要：科研 Agent 不只是问“论文讲了什么”，还会问“某个实验条件是否出现在表 2”“某个公式是否能复用”“某张图是否支持结论”。如果没有元素级证据，Agent 很难可靠回答。

2. 从工具到 MCP：让文档解析成为 Agent 可调用能力

MinerU-Ecosystem 中的 MCP Server 暴露 parse_documents、get_ocr_languages、clean_logs 等工具，并支持 Claude Desktop、Cursor、Windsurf 以及 streamable HTTP 模式。官方生态还包含 Python SDK、Go SDK、TypeScript SDK、CLI、LangChain loader、LlamaIndex reader、Dify、FastGPT、RAGFlow 等集成。

这意味着 MinerU 可以嵌入两类流程：

• 开发者流程：CLI / Python SDK / Open API 批量解析，产出 Markdown、JSON、docx、html、latex 等结果。
• Agent 流程：通过 MCP Server 把“解析文档”变成工具调用，由 Agent 选择文件、页码、模型版本、输出目录，再把结果传给 RAG、知识库或科研数据处理链路。

但 MCP 接入也带来责任。MCP 官方规范强调用户同意、数据隐私、工具安全、采样控制和访问边界；安全最佳实践还特别提醒 token passthrough、SSRF、OAuth redirect URI 校验、per-client consent 等风险。因此，文档解析工具上线时要记录授权、token、文件来源、网络 URL 白名单和工具调用日志，不能让 Agent 随意把内部 PDF 发到未知服务。

3. 从“转成功”到“可验收”：把解析质量变成工程指标

API 返回成功不等于业务可用。建议把 MinerU 的输出验收拆成四层：

层级	验收问题	典型失败
文件层	文件是否在大小、页数、格式限制内	超 200MB、页数超限、URL 拉取失败
页面层	OCR、阅读顺序、页眉页脚是否正确	多栏顺序错、页码污染
元素层	表格、公式、图片、标题层级是否保真	跨页表格断裂、公式符号错
任务层	Agent/RAG 是否能正确引用来源	回答无页码、表格证据丢失

MinerU 官方 API 文档当前给出的保守口径是：精准解析 API 文件大小不超过 200MB、页数不超过 200 页；Agent 轻量解析 API 不需要 Token、按 IP 限频，适合 10MB/20 页以内的轻量场景；精准解析 API 需要 Token，支持 pipeline、vlm、MinerU-HTML，输出 Zip 包，Markdown/JSON 为默认输出，可额外导出 docx/html/latex。需要注意的是，llms.txt 仍写有 600 页口径和 AGPL-3.0 许可证表述，而 GitHub README/API 文档显示了更新后的能力与许可描述；上线时应以 live API 文档、GitHub README 和仓库许可证为准，并在内部文档中标注差异。

客观对比：不同方案适合不同场景

这里不写“谁碾压谁”。真实项目里，选择解析方案要看输入类型、数据安全、输出结构、成本、延迟、可复核性和生态适配。

方案方向	公开定位	适合场景	需要重点验证
传统 OCR/Tesseract/云 OCR	把图片或扫描件转文字	票据、扫描页、简单文本	版面、公式、表格结构、阅读顺序
通用大模型直接读 PDF	多模态理解与问答	小样本探索、临时阅读	幻觉、页码证据、批量成本、可复现
云厂商 Document AI	文档智能 API 与行业处理器	合规云环境、票据表单、标准业务单据	私有化、跨格式、复杂科研公式、供应商锁定
Docling	多格式解析、DoclingDocument、Markdown/HTML/JSON、LangChain/LlamaIndex/MCP 等集成	本地执行、多格式 GenAI 数据准备	中文/科研复杂版面、公式、表格、模型许可
Unstructured	面向 LLM 的文档 ETL、partition/chunk/enrich/embed	企业 ETL、数据清洗、批量管线	精细版面结构、公式表格、部署和成本
LlamaParse	agentic OCR、Parse/Extract/Classify/Split/Sheets/Index 平台	LlamaIndex/LlamaCloud 生态、托管解析与抽取	私有化、成本、数据出境、中文/科研样本
RAG 框架自带 loader	快速入库	Demo、轻量知识库	元素级结构、跨页表格、公式、图表
MinerU	PDF/图片/DOCX/PPTX/XLSX 到 Markdown/JSON，CLI/SDK/API/MCP/RAG 集成，私有化可选	科研论文、企业知识库、Agent 工具链、批量解析、Sciverse 类科学数据管线	不同 backend/模型版本、页数额度、API/本地部署资源、人工抽样验收

没有实际运行同一批样本时，上表只能作为“选型维度矩阵”，不能作为胜负结论。真正可复现的比较，应该用统一样本集、统一提示词、统一字段定义和统一人工验收表。

可复现实验方案：证据级解析验收包

样本集设计

建议准备 60 份文档，覆盖以下类型：

类别	数量	样本特点
科研论文 PDF	15	双栏、公式、图表、参考文献
扫描 PDF/图片	10	噪声、倾斜、低分辨率、多语言
企业报告	10	多级标题、页眉页脚、复杂表格
Office 文档	10	DOCX/PPTX/XLSX 原生格式
专利/标准/白皮书	10	长文档、编号、脚注、跨页表格
Web/HTML 页面	5	网页正文、表格、代码块

评测维度

维度	观察方式	人工验收标准
文本忠实度	抽样对照原文	关键术语、数字、单位无误
阅读顺序	多栏页逐段检查	段落顺序符合人类阅读
表格结构	对照行列、合并单元格、表题	表头/单元格/跨页关系可复核
公式识别	对照 LaTeX 和原公式	变量、上下标、分式、编号正确
图表抽取	对照图题、图注、图片路径	图片可定位，描述不越界
元数据	页码、标题层级、文件 ID	能回到原文证据
RAG 可用性	固定问题集问答	答案带页码/元素证据
Agent 可调用性	MCP/SDK/CLI 日志	参数、权限、失败原因完整

记录表模板

doc_id	页码	元素	解析器/模式	结果状态	失败类型	人工备注	是否入库
paper_001	3	formula	MinerU vlm	needs_review	下标疑似错误	对照原文第 3 页公式 2	否
report_008	12-13	table	MinerU pipeline	accepted	-	跨页表头保留	是
scan_004	1	paragraph	Docling	needs_review	OCR 置信不足	数字 0/O 混淆	否

失败案例分类

• OCR 错误：数字、单位、专有名词、多语言字符。
• 版面错误：多栏阅读顺序、页眉页脚、脚注污染。
• 表格错误：跨页表格、合并单元格、空单元格、表题丢失。
• 公式错误：LaTeX 结构、上下标、编号、符号。
• 图表错误：图片路径缺失、图注错配、图表数据不可复核。
• Agent 错误：工具参数缺失、token 权限错误、URL 超时、结果未入库。

可复现操作步骤

方式一：CLI 快速预检

# 适合先做小样本预检，确认文档是否适合进入批量管线
mineru extract ./samples/paper_001.pdf --output ./outputs/paper_001

如果使用 MinerU-Ecosystem 的 CLI，请根据官方 cli/README.md 区分 flash-extract 与 extract：前者适合快速预览，后者适合生产工作流。

方式二：Python SDK 入库前解析

from mineru_open_sdk import MinerU

client = MinerU("your-api-token")
result = client.extract(
    "https://cdn-mineru.openxlab.org.cn/demo/example.pdf",
    model_version="vlm",
)

record = {
    "doc_id": "paper_001",
    "markdown": result.markdown,
    "images": result.images,
    "review_status": "pending",
}

print(record["markdown"][:1000])

方式三：Open API 批量任务

import requests

token = "API管理页面自定创建的token"
url = "https://mineru.net/api/v4/extract/task/batch"
headers = {
    "Content-Type": "application/json",
    "Authorization": f"Bearer {token}",
}
payload = {
    "files": [
        {
            "url": "https://cdn-mineru.openxlab.org.cn/demo/example.pdf",
            "data_id": "paper_001",
            "page_ranges": "1-20",
        }
    ],
    "model_version": "vlm",
}

resp = requests.post(url, headers=headers, json=payload, timeout=30)
resp.raise_for_status()
print(resp.json())

上线时要记录 trace_id、batch_id、data_id、model_version、page_ranges、callback 校验状态和失败重试次数。官方文档说明 callback 接收失败时会重复推送，建议服务端明确记录每次推送和最终状态。

方式四：MCP Server 作为 Agent 工具

{
  "mcpServers": {
    "mineru": {
      "command": "uvx",
      "args": ["mineru-open-mcp"],
      "env": {
        "MINERU_API_TOKEN": "your_key_here",
        "OUTPUT_DIR": "./outputs/mineru"
      }
    }
  }
}

Agent 调用时，建议提示词不要只写“解析这个 PDF”，而是写成：

请调用 MinerU 解析 samples/paper_001.pdf，仅处理 1-20 页。
输出 Markdown 和 JSON 后，生成 evidence ledger：
1. 每个表格列出页码、标题、行列结构；
2. 每个公式列出页码和 LaTeX；
3. 标记需要人工复核的元素；
4. 不要把未复核结果写成事实结论。

上线与验证注意事项

1. API 限制以当天 live docs 为准：2026-07-09 核对到精准解析 API 为 200MB/200 页，Agent 轻量 API 为 10MB/20 页；llms.txt 存在 600 页旧口径，建议内部文档写明“以 API 文档为准”。
2. 对外部 URL 做白名单：GitHub、AWS 等国外 URL 可能超时，内部私有文档不应直接暴露给不受控 Agent。
3. MCP 接入必须有用户同意和工具调用日志：记录调用人、文件、页码、token 来源、输出目录、失败原因。
4. 生产环境避免 token passthrough：MCP 安全最佳实践明确把未经校验的 token 透传视为反模式。
5. 数据安全要分级：公开论文可用云 API，涉密企业文档优先本地或私有化部署。
6. 采用抽样验收：先按文档类型抽 10%-20% 人工复核，再决定是否放开批量入库。
7. 不要让 RAG 直接相信解析结果：对公式、表格、财务数字、实验条件、临床字段设置二次校验。
8. 保留失败集：失败样本比成功样本更有价值，后续可用于模型版本、backend、prompt、切块策略的回归测试。

给 Sciverse/科研 Agent 的落地结构

Sciverse 类科学数据链路可以把 MinerU 放在“原始文档 -> AI-ready data -> Agent 可调用资源”之间：

科研 PDF / Office / HTML
  -> MinerU 解析层
  -> Markdown + JSON + 图片/表格/公式资产
  -> evidence ledger
  -> RAG chunk + 元素索引 + 页码引用
  -> MCP/Agent 工具：查论文、验公式、读表格、生成综述

这条链路的关键不是“把所有文档都喂给大模型”，而是让 Agent 每一步都能回答：我用了哪个文档、哪一页、哪个元素、哪个解析版本、是否人工验收过。对于科研数据处理，尤其要避免把 OCR 错误当成实验结论，把图注误配当成证据，把公式识别误差带入下游推理。

## 来源链接

- MinerU GitHub README：https://github.com/opendatalab/MinerU
- MinerU API 文档：https://mineru.net/apiManage/docs
- MinerU llms.txt：https://mineru.net/llms.txt
- MinerU-Ecosystem：https://github.com/opendatalab/MinerU-Ecosystem
- MCP 2025-06-18 规范：https://modelcontextprotocol.io/specification/2025-06-18
- MCP Security Best Practices：https://modelcontextprotocol.io/docs/tutorials/security/security_best_practices
- ParseBench: A Document Parsing Benchmark for AI Agents：https://arxiv.org/abs/2604.08538
- MPDocBench-Parse: Benchmarking Practical Multi-page Document Parsing：https://arxiv.org/abs/2605.22100
- RealDocBench: A Benchmark for Field-Level QA and Layout Understanding on Real-World Regulated Documents：https://arxiv.org/abs/2606.07401
- EnterpriseRAG-Bench: A RAG Benchmark for Company Internal Knowledge：https://arxiv.org/abs/2605.05253
- Docling GitHub：https://github.com/docling-project/docling
- Unstructured GitHub：https://github.com/Unstructured-IO/unstructured
- Google Cloud Document AI overview：https://docs.cloud.google.com/document-ai/docs/overview
- LlamaParse docs：https://developers.llamaindex.ai/llamaparse/