摘要

本文系统拆解 MinerU 技术栈的完整架构，深入讲解其核心定位、工作原理与各模块的协作方式。文章从底层原理出发，通过完整的实战案例，演示文档解析、内容提取、数据流转与常见问题排查，并进一步探讨 API 集成、Docker 容器化、性能优化等进阶扩展。无论你是初学者还是有一定经验的开发者，都能从中建立对 MinerU 的深度认知。

关键词：MinerU；文档解析；PDF 提取；OCR；深度学习；大模型

目录

1. 引言

在人工智能与大模型时代，海量的 PDF、扫描件、网页等非结构化文档中蕴含着巨大的知识价值。然而，如何高效、准确地将这些文档转化为结构化的 Markdown、JSON 数据，一直是 RAG（检索增强生成）、知识库构建、文档智能处理等场景的核心痛点。

MinerU 正是为解决这一痛点而生的开源文档解析工具。它由 OpenDataLab 团队开发，基于深度学习模型，能够将复杂的 PDF 文档（包括扫描件、公式、表格、多栏排版）高质量地转换为 Markdown 和 JSON 格式。本文将从最底层讲起，系统拆解 MinerU 技术栈的每个环节，并给出完整的实战示例，帮助你建立对 MinerU 的深度认知。

2. MinerU 技术栈全景

2.1 什么是 MinerU

MinerU 是一套基于深度学习的文档解析解决方案，核心目标是将 PDF 等非结构化文档转换为结构化的 Markdown 和 JSON。它整合了版面分析、OCR 识别、公式检测、表格识别、阅读顺序还原等多个 AI 模型，形成一条完整的解析流水线。

PDF 文档输入

版面分析

OCR 识别

公式 / 表格识别

阅读顺序还原

Markdown / JSON 输出

2.2 核心组件的定位

组件全称定位类比
版面分析Layout Analysis识别文档中的标题、段落、图片、表格等区域地图，标注每个区域
OCR 识别Optical Character Recognition识别扫描件中的文字眼睛，读取图像中的文字
公式识别Formula Recognition将数学公式转为 LaTeX翻译官，把公式转为标准语言
表格识别Table Recognition将表格转为结构化数据记账员，整理表格结构
阅读顺序Reading Order还原文档的逻辑阅读顺序导航，决定先读什么后读什么

2.3 为什么选择 MinerU

  • 解析质量高：基于深度学习模型，对复杂版面、公式、表格的解析效果远超传统规则工具
  • 输出结构化：直接输出 Markdown 和 JSON，天然适配 RAG、知识库等下游任务
  • 开源免费：Apache 2.0 协议，可自由商用，社区活跃
  • 多语言支持：内置多语言 OCR 模型，支持中英文混排文档
  • GPU / CPU 双支持：既可在 GPU 上高速解析，也可在 CPU 上离线运行

3. 深入文档解析引擎

3.1 解析流程的核心思想

MinerU 的解析引擎采用流水线（Pipeline） 架构，将文档解析拆分为多个独立阶段。每个阶段由一个或多个深度学习模型负责，前一阶段的输出作为后一阶段的输入，最终汇聚为结构化结果。

# MinerU 解析流程示意
from magic_pdf.data.data_reader_writer import FileBasedDataWriter
from magic_pdf.data.dataset import PymuDocDataset

# 读取 PDF 文档
dataset = PymuDocDataset(pdf_bytes)

# 执行完整解析流水线
result = dataset.pipe_txt_mode(
    model_json=model_json,          # 模型配置
    parse_mode="auto",              # 自动模式
    output_writer=output_writer
)

3.2 与传统解析工具的对比

维度MinerUPyPDF2 / pdfplumber传统 OCR 工具
版面分析✅ 深度学习模型❌ 无❌ 无
公式识别✅ LaTeX 输出❌ 不支持❌ 不支持
表格还原✅ 结构化输出⚠️ 简单表格⚠️ 有限
阅读顺序✅ 自动还原❌ 按物理顺序❌ 按物理顺序
扫描件支持✅ 内置 OCR❌ 不支持✅ 支持
输出格式Markdown / JSON纯文本纯文本

3.3 核心操作

# 安装 MinerU
# pip install magic-pdf[full]

from magic_pdf.data.data_reader_writer import FileBasedDataWriter
from magic_pdf.data.dataset import PymuDocDataset

# 读取 PDF 文件
pdf_bytes = open("document.pdf", "rb").read()

# 创建数据集对象
dataset = PymuDocDataset(pdf_bytes)

# 执行解析（文本模式）
result = dataset.pipe_txt_mode(
    model_json=model_json,
    parse_mode="auto"
)

# 获取 Markdown 输出
markdown_content = result.get_markdown()

# 获取 JSON 输出
json_content = result.get_content_list()

3.4 模型体系的作用

MinerU 的解析质量依赖于其背后的模型体系：

  • 版面分析模型：基于 LayoutLMv3 等预训练模型，识别文档中的标题、段落、图片、表格等区域
  • 公式检测模型：基于 YOLO 系列检测模型，定位文档中的行内公式和独立公式
  • 公式识别模型：基于 Pix2Text 等模型，将公式图像转为 LaTeX 代码
  • 表格识别模型：基于 StructEqTable 等模型，还原表格的行列结构
  • OCR 模型：基于 PaddleOCR 等模型，识别扫描件中的文字

4. 深入内容提取模块

4.1 提取模块是什么

内容提取模块是 MinerU 的核心，负责将版面分析得到的区域信息转化为真正的结构化内容。它决定了最终输出的 Markdown 和 JSON 的质量。

4.2 版面分析机制

版面分析是内容提取的第一步。MinerU 将文档页面划分为多个区域，每个区域标注其类型（标题、正文、图片、表格、公式等）和位置信息。

# 版面分析结果示意
{
  "layout_dets": [
    {
      "category_id": 0,          # 标题
      "bbox": [72, 72, 540, 108], # 位置坐标
      "score": 0.98              # 置信度
    },
    {
      "category_id": 13,         # 表格
      "bbox": [72, 150, 540, 400],
      "score": 0.95
    }
  ]
}

4.3 表格与公式识别

表格和公式是文档解析中最具挑战性的部分。MinerU 通过专门的模型来处理这两类内容：

# 表格识别结果示意
{
  "type": "table",
  "table_body": [
    ["姓名", "年龄", "城市"],
    ["张三", "28", "北京"],
    ["李四", "25", "上海"]
  ]
}

# 公式识别结果示意
{
  "type": "equation",
  "latex": "E = mc^2"
}

4.4 与下游任务的数据交互

MinerU 输出的结构化数据可以直接对接下游任务：

  • RAG 检索：将 Markdown 分块后向量化，构建知识库
  • 知识图谱：从 JSON 中提取实体和关系
  • 文档问答：将结构化内容作为上下文输入给 LLM
  • 数据入库：将表格数据直接写入数据库

5. 深入 OCR 识别

5.1 OCR 的核心思想

OCR（光学字符识别）是 MinerU 处理扫描件和图片型 PDF 的关键能力。它基于深度学习模型，将图像中的文字区域检测出来并识别为可编辑的文本。

5.2 文本检测与识别

MinerU 的 OCR 流程分为两个阶段：

  1. 文本检测：定位图像中所有文字区域的位置
  2. 文本识别：将检测到的文字区域识别为文本内容
# OCR 流程示意
# 检测阶段：找到文字区域
text_regions = detector.detect(image)

# 识别阶段：识别每个区域的文字
for region in text_regions:
    text = recognizer.recognize(image, region)
    print(text)

5.3 与深度学习框架的集成

MinerU 的 OCR 能力基于 PaddleOCR 等成熟框架，并针对文档场景进行了优化：

  • 多语言支持：内置中英文等多语言模型
  • 版面感知：结合版面分析结果，提升复杂版面的识别准确率
  • 公式感知：识别到公式区域时，自动切换到公式识别模型

5.4 适用与不适用场景

场景是否适合原因
扫描版 PDF✅ 适合内置 OCR，识别准确率高
图片型 PDF✅ 适合自动检测并识别图片中的文字
印刷体文档✅ 适合识别准确率极高
手写文档⚠️ 有限识别准确率取决于手写质量
低分辨率扫描件⚠️ 有限建议先做图像增强

6. 深入输出与序列化

6.1 多格式输出的设计

MinerU 支持多种输出格式，满足不同下游任务的需求：

  • Markdown：适合人类阅读和 RAG 分块
  • JSON：适合程序化处理和结构化存储
  • 中继文件：保留完整的中间解析结果，便于调试和二次开发

6.2 结构化数据流转

// MinerU JSON 输出示例
{
  "pdf_info": {
    "page_count": 10,
    "title": "示例文档"
  },
  "content_list": [
    {
      "type": "text",
      "text": "这是正文内容"
    },
    {
      "type": "table",
      "table_body": [
        ["列1", "列2"],
        ["值1", "值2"]
      ]
    },
    {
      "type": "equation",
      "latex": "x^2 + y^2 = z^2"
    }
  ]
}

6.3 环境变量与配置

# .env 文件
# 模型配置
MINERU_MODEL_DIR=/path/to/models
MINERU_DEVICE=cuda          # cuda / cpu
MINERU_OCR_ENGINE=paddle    # paddle / tesseract

# 解析配置
MINERU_PARSE_MODE=auto      # auto / txt / ocr
MINERU_LANG=ch              # 文档语言

7. MinerU 全流程数据流转

7.1 一次完整解析的生命周期

OCR / 识别模型 版面分析模型 MinerU 用户 OCR / 识别模型 版面分析模型 MinerU 用户 上传 PDF 文档 版面分析 区域标注结果 文本 / 公式 / 表格识别 识别结果 阅读顺序还原 Markdown / JSON 输出

7.2 目录结构规范

一个典型的 MinerU 项目结构：

mineru-project/
├── input/                  # 输入文档
│   └── document.pdf
├── output/                 # 输出结果
│   ├── document.md
│   └── document.json
├── models/                 # 模型文件
│   ├── layout/
│   ├── formula/
│   └── ocr/
├── scripts/                # 脚本
│   ├── parse.py
│   └── batch_parse.py
└── config/
    └── mineru.yaml

7.3 配置管理

# config/mineru.yaml
device: cuda
model_dir: ./models

parse:
  mode: auto          # auto / txt / ocr
  lang: ch
  formula_enable: true
  table_enable: true

output:
  format: [markdown, json]
  save_dir: ./output

8. MinerU 实战：构建一个文档解析服务

8.1 后端实现

# server/app.py
from flask import Flask, request, jsonify
from magic_pdf.data.data_reader_writer import FileBasedDataWriter
from magic_pdf.data.dataset import PymuDocDataset
import os

app = Flask(__name__)

@app.route("/api/parse", methods=["POST"])
def parse_document():
    """解析上传的 PDF 文档"""
    if "file" not in request.files:
        return jsonify({"error": "未上传文件"}), 400

    file = request.files["file"]
    if not file.filename.endswith(".pdf"):
        return jsonify({"error": "仅支持 PDF 文件"}), 400

    try:
        # 读取 PDF 内容
        pdf_bytes = file.read()

        # 创建数据集
        dataset = PymuDocDataset(pdf_bytes)

        # 执行解析
        result = dataset.pipe_txt_mode(
            model_json=model_json,
            parse_mode="auto"
        )

        # 返回结果
        return jsonify({
            "markdown": result.get_markdown(),
            "content_list": result.get_content_list()
        })

    except Exception as e:
        return jsonify({"error": str(e)}), 500

if __name__ == "__main__":
    app

### 8.2 前端实现

前端使用原生 HTML + JavaScript 构建，包含文件上传表单、调用后端 `/api/parse` 接口的 fetch 逻辑，以及 Markdown 和 JSON 结果的展示区域。

```html
<!-- client/index.html -->
<!DOCTYPE html>
<html lang="zh-CN">
<head>
  <meta charset="UTF-8" />
  <meta name="viewport" content="width=device-width, initial-scale=1.0" />
  <title>MinerU 文档解析服务</title>
  <style>
    /* 基础样式：居中布局，卡片式设计 */
    body {
      font-family: "Microsoft YaHei", Arial, sans-serif;
      max-width: 900px;
      margin: 40px auto;
      padding: 0 20px;
      background: #f5f7fa;
      color: #333;
    }
    h1 { text-align: center; color: #2c3e50; }
    .card {
      background: #fff;
      border-radius: 8px;
      padding: 24px;
      margin-bottom: 20px;
      box-shadow: 0 2px 8px rgba(0, 0, 0, 0.1);
    }
    /* 文件上传区域样式 */
    .upload-area {
      display: flex;
      align-items: center;
      gap: 12px;
      flex-wrap: wrap;
    }
    input[type="file"] {
      padding: 8px;
      border: 1px solid #ccc;
      border-radius: 4px;
      background: #fff;
    }
    button {
      padding: 10px 24px;
      background: #3498db;
      color: #fff;
      border: none;
      border-radius: 4px;
      cursor: pointer;
      font-size: 14px;
    }
    button:hover { background: #2980b9; }
    button:disabled { background: #95a5a6; cursor: not-allowed; }
    /* 状态提示样式 */
    #status {
      margin-top: 12px;
      padding: 8px 12px;
      border-radius: 4px;
      display: none;
    }
    #status.loading { background: #eaf2f8; color: #2c3e50; }
    #status.error { background: #fdecea; color: #c0392b; }
    #status.success { background: #e8f8f5; color: #27ae60; }
    /* 结果展示区域样式 */
    .result-section { margin-top: 16px; }
    .result-section h3 {
      margin-bottom: 8px;
      color: #2c3e50;
      border-bottom: 2px solid #ecf0f1;
      padding-bottom: 6px;
    }
    pre {
      background: #2d2d2d;
      color: #f8f8f2;
      padding: 16px;
      border-radius: 6px;
      overflow-x: auto;
      max-height: 400px;
      overflow-y: auto;
      font-size: 13px;
      line-height: 1.6;
    }
    /* Markdown 渲染区域样式 */
    #markdown-result {
      background: #fff;
      border: 1px solid #ddd;
      border-radius: 6px;
      padding: 16px;
      min-height: 200px;
      max-height: 400px;
      overflow-y: auto;
    }
    #markdown-result h1, #markdown-result h2, #markdown-result h3 {
      margin: 12px 0 8px;
    }
    #markdown-result table {
      border-collapse: collapse;
      width: 100%;
      margin: 8px 0;
    }
    #markdown-result th, #markdown-result td {
      border: 1px solid #ddd;
      padding: 6px 10px;
      text-align: left;
    }
    #markdown-result code {
      background: #f0f0f0;
      padding: 2px 4px;
      border-radius: 3px;
    }
  </style>
</head>
<body>
  <h1>📄 MinerU 文档解析服务</h1>

  <!-- 文件上传表单卡片 -->
  <div class="card">
    <h2>上传 PDF 文档</h2>
    <div class="upload-area">
      <!-- 文件选择框：仅接受 PDF 文件 -->
      <input type="file" id="file-input" accept=".pdf" />
      <!-- 解析按钮：点击后触发解析 -->
      <button id="parse-btn" onclick="parseDocument()">开始解析</button>
    </div>
    <!-- 状态提示区域：显示加载中 / 成功 / 错误信息 -->
    <div id="status"></div>
  </div>

  <!-- Markdown 结果展示卡片 -->
  <div class="card result-section">
    <h3>📝 Markdown 结果</h3>
    <!-- 渲染后的 Markdown 内容（HTML 形式） -->
    <div id="markdown-result">
      <p style="color: #999;">解析完成后，Markdown 结果将显示在这里...</p>
    </div>
  </div>

  <!-- JSON 结果展示卡片 -->
  <div class="card result-section">
    <h3>🔍 JSON 结果</h3>
    <!-- 原始 JSON 字符串（格式化展示） -->
    <pre id="json-result">// 解析完成后，JSON 结果将显示在这里...</pre>
  </div>

  <!-- 引入 marked.js 用于将 Markdown 渲染为 HTML -->
  <script src="https://cdn.jsdelivr.net/npm/marked/marked.min.js"></script>
  <script>
    // 获取页面元素引用
    const fileInput = document.getElementById("file-input");
    const parseBtn = document.getElementById("parse-btn");
    const statusDiv = document.getElementById("status");
    const markdownResult = document.getElementById("markdown-result");
    const jsonResult = document.getElementById("json-result");

    /**
     * 显示状态提示信息
     * @param {string} message - 提示文本
     * @param {string} type - 状态类型：loading / success / error
     */
    function showStatus(message, type) {
      statusDiv.textContent = message;
      statusDiv.className = type; // 通过 CSS 类控制颜色
      statusDiv.style.display = "block";
    }

    /**
     * 解析文档的主函数
     * 读取用户选择的 PDF 文件，通过 fetch 上传到后端 /api/parse 接口，
     * 并将返回的 Markdown 和 JSON 结果展示到页面上。
     */
    async function parseDocument() {
      // 1. 校验是否选择了文件
      const file = fileInput.files[0];
      if (!file) {
        showStatus("请先选择一个 PDF 文件", "error");
        return;
      }

      // 2. 校验文件类型是否为 PDF
      if (!file.name.toLowerCase().endsWith(".pdf")) {
        showStatus("仅支持 PDF 文件", "error");
        return;
      }

      // 3. 构建 FormData，用于 multipart/form-data 上传
      const formData = new FormData();
      formData.append("file", file); // 字段名必须与后端 request.files["file"] 一致

      // 4. 禁用按钮，防止重复提交
      parseBtn.disabled = true;
      showStatus("正在解析文档，请稍候...", "loading");

      try {
        // 5. 调用后端解析接口
        const response = await fetch("/api/parse", {
          method: "POST",
          body: formData // 注意：不要手动设置 Content-Type，浏览器会自动添加 boundary
        });

        // 6. 解析响应 JSON
        const data = await response.json();

        // 7. 处理后端返回的错误
        if (!response.ok) {
          throw new Error(data.error || "解析失败，请稍后重试");
        }

        // 8. 展示 Markdown 结果（使用 marked 渲染为 HTML）
        markdownResult.innerHTML = marked.parse(data.markdown || "（无 Markdown 内容）");

        // 9. 展示 JSON 结果（格式化缩进，便于阅读）
        jsonResult.textContent = JSON.stringify(data.content_list || [], null, 2);

        // 10. 更新状态为成功
        showStatus("✅ 解析成功！", "success");
      } catch (err) {
        // 11. 捕获并展示错误信息
        showStatus("❌ " + err.message, "error");
        console.error("解析出错:", err);
      } finally {
        // 12. 无论成功失败，都恢复按钮可用状态
        parseBtn.disabled = false;
      }
    }
  </script>
</body>
</html>

代码说明：

  • 文件上传表单：使用 <input type="file" accept=".pdf"> 限制只能选择 PDF 文件，配合「开始解析」按钮触发上传。
  • fetch 调用逻辑：通过 FormData 封装文件，以 multipart/form-data 方式 POST 到 /api/parse，字段名 file 与后端 request.files["file"] 严格对应。
  • 结果展示：Markdown 结果借助 marked.js 渲染为 HTML 呈现；JSON 结果以格式化缩进的方式展示在 <pre> 中，便于查看结构化数据。
  • 状态反馈：通过 showStatus() 函数统一管理「加载中 / 成功 / 错误」三种状态，提升用户体验。
  • 错误处理：前端同时校验文件是否选择、是否为 PDF，并捕获后端返回的错误信息，避免请求失败时页面无响应

10.6 常见问题与解决方案

在实际使用 MinerU 的过程中，开发者常会遇到模型下载、解析性能、识别精度等方面的问题。下面整理 5 个高频问题，并给出具体的排查步骤与解决代码。

问题一：模型下载失败或超时

现象：首次运行 MinerU 时，模型文件无法自动下载，或下载中途中断，导致解析报错。

排查步骤：

  1. 检查网络是否能够访问 Hugging Face / ModelScope 等模型仓库；
  2. 查看 MINERU_MODEL_DIR 指向的目录是否存在且可写；
  3. 确认磁盘剩余空间是否充足（模型总量约 2-4 GB）。

解决方案：推荐使用国内镜像源手动下载模型，再通过环境变量指定本地路径。

# 使用 ModelScope 镜像下载模型
pip install modelscope

# 手动下载 MinerU 所需模型到本地目录
python -c "
from modelscope import snapshot_download
snapshot_download('opendatalab/PDF-Extract-Kit-1.0', local_dir='./models')
"

# 指定本地模型目录后运行
export MINERU_MODEL_DIR=./models
python parse.py
问题二：解析速度慢，CPU 上耗时过长

现象：在 CPU 环境下解析一份几十页的 PDF 需要数分钟甚至更久。

排查步骤：

  1. 确认当前使用的设备是 CPU 还是 GPU（MINERU_DEVICE 配置）；
  2. 检查是否开启了不必要的模块（如公式、表格识别）；
  3. 观察是否对整份文档重复执行了多次解析。

解决方案：优先使用 GPU 加速；若只能使用 CPU，可关闭非必要模块并限制解析页数。

# 关闭公式与表格识别，仅提取文本，显著提升速度
result = dataset.pipe_txt_mode(
    model_json=model_json,
    parse_mode="txt",          # 纯文本模式，跳过 OCR 与版面重排
    formula_enable=False,      # 关闭公式识别
    table_enable=False         # 关闭表格识别
)

# 仅解析前 10 页，用于快速验证流程
pdf_bytes = open("document.pdf", "rb").read()
dataset = PymuDocDataset(pdf_bytes)
dataset = dataset[:10]         # 截取前 10 页
问题三：表格识别不准确，行列错乱

现象：复杂表格（合并单元格、跨页表格、无边框表格）解析后结构错乱。

排查步骤：

  1. 确认原 PDF 是否为扫描件，若是则先确认 OCR 是否已启用；
  2. 检查表格区域是否被版面分析正确识别（查看中继文件中的 layout_dets）；
  3. 尝试提高输入图片的分辨率。

解决方案：对低分辨率扫描件先做图像增强，再开启表格识别；必要时对表格区域单独二次解析。

# 使用 OpenCV 对扫描页做二值化与锐化，提升表格识别精度
import cv2
import numpy as np

def enhance_image(image_path):
    img = cv2.imread(image_path, cv2.IMREAD_GRAYSCALE)
    # 二值化，去除噪点
    _, binary = cv2.threshold(img, 0, 255, cv2.THRESH_BINARY + cv2.THRESH_OTSU)
    # 锐化，增强表格线条
    kernel = np.array([[0, -1, 0], [-1, 5, -1], [0, -1, 0]])
    sharpened = cv2.filter2D(binary, -1, kernel)
    cv2.imwrite("enhanced.png", sharpened)
    return "enhanced.png"

# 将增强后的图片重新喂给 MinerU 解析
enhanced_path = enhance_image("page_scan.png")
问题四：OCR 识别结果乱码或漏字

现象：扫描件中的中文、公式或特殊符号识别为乱码，或部分文字缺失。

排查步骤：

  1. 确认 MINERU_LANG 是否设置为 ch（中文）；
  2. 检查原图分辨率是否过低（建议 300 DPI 以上）；
  3. 确认是否启用了公式感知切换。

解决方案：设置正确的语言参数，并对低质量图片做预处理后再解析。

# 设置文档语言为中文
export MINERU_LANG=ch

# 开启 OCR 引擎为 PaddleOCR（对中文支持更好）
export MINERU_OCR_ENGINE=paddle

# 在代码中显式指定语言与 OCR 引擎
result = dataset.pipe_txt_mode(
    model_json=model_json,
    parse_mode="ocr",          # 强制 OCR 模式
    lang="ch",                 # 中文
    ocr_engine="paddle"        # 使用 PaddleOCR
)
问题五：解析结果中阅读顺序错乱

现象：多栏排版或图文混排的文档，解析后段落顺序与原文不一致。

排查步骤：

  1. 检查原文档是否为双栏或多栏排版；
  2. 查看中继文件中的阅读顺序标记（reading_order）；
  3. 确认版面分析是否正确识别了栏区域。

解决方案：MinerU 的阅读顺序还原依赖版面分析结果，可尝试调整解析模式或对分栏文档做预处理。

# 查看中继文件中的阅读顺序信息，定位错乱原因
import json

with open("output/document.json", "r", encoding="utf-8") as f:
    data = json.load(f)

# 打印每个内容块的类型与顺序
for idx, item in enumerate(data.get("content_list", [])):
    print(idx, item.get("type"), item.get("text", "")[:30])

# 若文档为双栏，可先使用工具将 PDF 转为单栏再解析
# 例如使用 pdfplumber 检测栏边界后裁剪，或直接使用 MinerU 的 auto 模式
export MINERU_PARSE_MODE=auto

小结：以上 5 个问题覆盖了 MinerU 使用中最常见的模型、性能、精度与顺序场景。遇到问题时，建议先查看中继文件与日志定位具体环节，再针对性地调整配置或预处理，往往能快速解决。

。

# 人工智能 # 架构
Logo
AI Agent技术社区

Agent 垂直技术社区，欢迎活跃、内容共建。

更多推荐

AI Agent编排：复杂工作流的自动化实现

在深入探讨Agent编排之前，我们首先需要明确什么是AI Agent。AI Agent是一个能够感知环境、做出决策并采取行动的自主实体。感知模块：接收和处理环境信息推理/决策模块：基于感知信息进行思考和决策行动模块：执行具体的操作（如调用工具、生成文本）记忆模块：存储历史信息和知识通信模块：与其他Agent或系统进行交互Agent编排（Agent Orchestration）是指对多个Agent的

avatar AI Agent技术社区
cover

90%的人认为RAG和Agent分开做都不难，合在一起就废？可写简历:RAG+Agent合体全链路方案

avatar AI Agent技术社区
cover

阶跃星辰 StepAudio 3：五款语音模型一次放出，全双工对话拿下两个全球第一

avatar AI Agent技术社区