当文档解析开始进入 RAG、Agent、MCP Server 和科研数据管线团队不能再只问“PDF 能不能转成 Markdown”。今天更值得追问的是表格、公式、跨页版面、OCR、JSON 结构和失败样本能不能被稳定复测。本文给出一套围绕 MinerU 的解析回归集方法把精准 OCR、公式识别、表格提取、版面还原、结构化 JSON、Markdown 输出和 MCP/SDK 接入纳入上线验收。热点背景近期文档解析领域的热点不只是“模型能读文档”而是“解析结果能否进入生产系统”。MinerU 官方 README 的近期 changelog 已经把问题讲得很工程化2026 年 6 月 18 日的 3.4 release 关注 pipeline backend 的 OCR 能力升级、OCR 处理链路优化和模型下载体验2026 年 6 月 11 日的 3.3 release 关注 Hybrid parsing 的effort参数、VLM 模型能力升级和不同设备上的效率取舍更早的 3.1.0 release 则强调多格式原生解析、跨页表格、图表解析和 license 调整。这说明文档解析正在从“功能可用”进入“版本会变、参数会变、能力会漂移”的阶段。对 RAG、Agent、MCP、Sciverse 类科研数据基础设施和企业知识库来说解析层一旦升级后续 chunk、embedding、检索、引用、问答、Workflow 和人工复核都会被影响。同时MinerU 官方llms.txt把产品定义为面向 LLM、RAG、Agent 工作流的文档解析平台支持将 PDF、Word、PPT、图片、HTML 等转换为 Markdown、JSON、LaTeX、HTML 等结构化数据并覆盖表格、公式、多语言 OCR、批量处理、图片与图表提取、MCP、CLI、Python SDK、Go SDK、TypeScript SDK、LangChain、LlamaIndex 等生态入口。公开路径中未找到可核验的llms-full资料因此本文不引用不存在的完整模型资料。核心观点1. RAG 的入库质量先由解析回归集决定很多 RAG 项目只在问答层做评测召回率、答案正确率、引用是否存在。但如果入库前的 PDF 解析已经把表格拆散、公式识别错、双栏阅读顺序打乱后面的检索器和大模型很难补救。入库前问题如果不测会怎样应进入回归集的证据OCR 是否识别关键数字和术语关键字段被错误向量化原图页、OCR 文本、人工标注表格行列是否保留财务、实验、参数类问答失真表格 HTML/Markdown/JSON公式是否可复核科研问答引用错误公式LaTeX、页码、公式截图阅读顺序是否正确多栏论文 chunk 混乱页面截图、输出段落顺序页眉页脚是否污染正文检索噪声上升清洗前后对照JSON 是否保留元素类型Agent 无法选择工具输入paragraph/table/formula/figure等类型2. Agent 时代失败样本比成功样本更值钱上线前只看漂亮 demo通常会漏掉真正影响生产的样本扫描件、跨页表格、公式密集页、多语言说明书、PPT 截图表格、低清论文、页眉页脚密集报告、XLSX 转文档后的复杂表头。这些失败样本应该被保存成固定集合。每次升级 MinerU 版本、切换pipeline/vlm/hybridbackend、修改 OCR 语言、启用表格或公式开关、接入 MCP Server、调整 LangChain/LlamaIndex 切块策略都重新跑一遍。3. MCP 和 SDK 让解析能力上线也让验证责任上线MinerU 的生态入口很完整CLI 适合本地预检和批处理Open API 适合服务化调用Python SDK 适合数据管线Go SDK 和 TypeScript SDK 适合业务系统集成MCP Server 适合 Claude Desktop、Cursor、Windsurf 等 Agent 客户端LangChain 和 LlamaIndex 适合 RAG 入库。技术展开围绕 MinerU 设计解析回归集可以按四层展开。第一层是样本层。不要只放“干净 PDF”。建议覆盖科研论文、企业报告、扫描 PDF、图片、DOCX、PPTX、XLSX、网页、专利、标准、说明书。对 Sciverse 类科研数据处理链路来说论文 PDF、实验报告、图表密集材料、公式密集材料和多语言文献尤其重要因为这些文档最终会变成 AI-ready scientific data供科研 Agent、检索系统和自动分析流程调用。第二层是元素层。MinerU 支持精准 OCR、版面分析、表格提取、公式识别、图片与图表提取、Markdown 输出、结构化 JSON、多格式输出和批量处理。回归集要围绕元素验收而不是只看整篇 Markdown 是否“能读”。第三层是接入层。CLI 可用于快速检查Python SDK 可用于自动化跑批Open API 可用于服务端异步任务MCP Server 可用于 Agent 工具调用LangChain/LlamaIndex 可用于入库验证。每个入口都应该复用同一批样本和同一张验收表。第四层是上线层。解析结果进入知识库前要经过抽样验收、失败重试、人工复核、版本记录和许可证/额度/页数上限核对。对比分析下面的对比表是评测维度不是实测排名。本文没有在同一批样本上运行真实测试因此不写具体胜负结论。方案方向典型代表适合场景回归集应观察什么需要注意的边界传统 OCRTesseract、通用 OCR API扫描页、图片文字、简单票据字符、数字、语言、噪声鲁棒性表格结构、公式、图文关系、阅读顺序通常要额外处理通用大模型直接读文档多模态聊天模型、文件上传临时阅读、小样本探索、人工辅助分析是否给出页码证据、是否稳定、是否可复现幻觉、批量成本、权限审计和结构化输出需验证云厂商文档智能服务Document AI / Document Intelligence 类服务标准表单、票据、云上企业流程字段抽取、区域合规、模板稳定性、SLA科研公式、跨页表格、私有化和供应商锁定需评估开源 PDF 工具PyMuPDF、pdfplumber 等文本层 PDF、坐标抽取、定制脚本文本层质量、坐标、轻量表格抽取扫描 OCR、复杂版面、多格式和公式识别需组合方案RAG 框架 loaderLangChain、LlamaIndex 内置 loaderDemo、轻量入库、快速验证metadata、chunk 边界、接入便利性元素级结构、表格、公式、图片资产通常不足DoclingDocling本地文档转换、结构化文档表示、RAG 数据准备多格式、Markdown/HTML/JSON、表格、图片、框架集成中文、科研复杂样本、部署资源需用自有样本验证UnstructuredUnstructured文档 ETL、partition、chunk、pipeline元素类型、metadata、批处理、连接器复杂公式、图表语义、部署策略和成本需验证LlamaParseLlamaParse / LlamaCloud托管解析、LlamaIndex 生态、抽取和索引Markdown/JSON、云端工作流、解析参数数据出境、费用、区域、私有化和样本表现需验证MinerUCLI、Open API、Python SDK、Go SDK、TypeScript SDK、MCP Server、本地/私有化科研论文、企业知识库、Agent 工具链、Sciverse 类科研数据管线精准 OCR、公式识别、表格提取、版面还原、JSON/Markdown、多格式输出、MCP/Agent 接入API 限制、模型模式、版本漂移、人工验收和安全边界需管理可复现实验方案样本集设计文档类型建议数量必选难点主要验证能力科研论文 PDF15双栏、公式、表格、图注、参考文献版面分析、公式识别、表格提取扫描 PDF / 图片10倾斜、噪声、低分辨率、多语言精准 OCR、多语言支持企业报告 PDF10多级标题、页眉页脚、目录、跨页表格版面还原、Markdown 输出、JSON 结构DOCX / PPTX / XLSX10原生 Office 结构、图表、复杂表头多格式输出、元素提取专利 / 标准 / 白皮书10长文档、编号、脚注、术语密集批量处理、阅读顺序、结构化记录HTML / 网页正文5网页正文、表格、代码块、噪声区域HTML 解析、RAG 入库清洗评测维度维度待测项观察方式人工验收标准OCR 准确性术语、数字、单位、多语言字符抽样对照原文关键事实无明显错字、漏字、串行阅读顺序多栏、脚注、页眉页脚对照页面阅读路径输出顺序符合人类阅读版面还原标题、列表、段落、图片位置对照原版面层级可用于切块和引用表格提取行列、表头、合并单元格、跨页表格对照原表表格可程序读取可人工复核公式识别行内公式、块级公式、编号对照 LaTeX 与原图变量、上下标、分式、编号正确图表抽取图片、图注、正文引用对照图片和说明图片路径、图注、正文关系不串联结构化 JSON元素类型、顺序、页码、bbox程序检查和人工抽检能定位到原文证据RAG 入库固定问题集同一检索器、同一模型、同一 prompt答案带来源未知问题不编造Agent 调用MCP/SDK/API 日志检查参数、权限、失败原因工具调用可追踪、可重试、可解释示例记录表doc_id文档类型页码元素调用入口参数摘要状态失败类型人工备注是否入库paper_001科研 PDF3formulaPython SDKmodelvlm, formulaTrueneeds_review公式下标疑似错误对照第 3 页公式 2否report_007企业报告12-13tableCLIbackendpipelineaccepted-跨页表头保留是scan_004扫描 PDF1paragraphOpen APIocrTrue, languagechneeds_review0/O 混淆涉及关键编号否slides_002PPTX5figureMCP Serverparse_documentsaccepted-图注和正文关联正确是代码示例CLI先跑困难样本预检mineru-p./samples/paper_001.pdf-o./outputs/mineru-3.4/paper_001 mineru-p./samples/hard/cross_page_table.pdf\-o./outputs/regression/cross_page_table\-bpipelinePython SDK把解析结果写入验收台账frompathlibimportPathfrommineruimportMinerU clientMinerU(your-api-token)resultclient.extract(./samples/paper_001.pdf,modelvlm,ocrTrue,formulaTrue,tableTrue,pages1-20,extra_formats[docx,html,latex],timeout600,)out_dirPath(./outputs/mineru-3.4/paper_001)result.save_all(out_dir)ledger{doc_id:paper_001,parser:mineru,entry:python_sdk,model:vlm,pages:1-20,state:result.state,task_id:result.task_id,review_status:pending,output_dir:str(out_dir),}print(ledger)MCP Server让 Agent 调用解析但不要跳过验收{mcpServers:{mineru:{command:uvx,args:[mineru-open-mcp],env:{MINERU_API_TOKEN:your_key_here,OUTPUT_DIR:./outputs/mineru}}}}LangChain只让已验收内容进入默认知识库frompathlibimportPathfromlangchain_core.documentsimportDocument markdownPath(./outputs/mineru-3.4/paper_001/full.md).read_text(encodingutf-8)docDocument(page_contentmarkdown,metadata{doc_id:paper_001,parser:mineru,entry:python_sdk,review_status:accepted,source:paper_001.pdf,},)复现步骤准备样本从真实业务中抽取 30-60 份文档覆盖 PDF、扫描件、图片、DOCX、PPTX、XLSX、HTML。标记困难页人工挑出表格、公式、多栏、跨页、低清、多语言、图注密集页面。选择方案至少比较 MinerU CLI / Python SDK / Open API / MCP Server 中一个入口和一个对照方案。固定参数记录 backend、model、OCR、语言、页码范围、表格/公式开关、输出格式。执行解析保存 Markdown、JSON、图片、表格、LaTeX、DOCX/HTML 和日志。查看输出按页面和元素对照原文不要只看整体 Markdown。人工抽样高风险字段全量复核普通段落抽样复核。记录问题使用统一失败类型写入回归表。决定是否上线只有accepted内容进入默认 RAG 知识库needs_review进入人工队列rejected进入失败集。版本回放每次升级 MinerU、切块策略、RAG 框架或 MCP 配置后重新运行同一批样本。上线与验证注意事项API 限制必须当天核对。MinerUllms.txt和 Python SDK README 对 Flash Extract、Precision Extract 的文件大小、页数、输出格式有明确口径但不同页面可能出现差异生产上线应以 live docs、API 返回和官方仓库当前说明为准。数据安全要分层。公开论文、公开网页可以走云 API内部合同、未发表论文、医疗、财务、客户数据应优先考虑本地部署、私有化部署或明确的数据处理协议。隐私边界要写进 Agent 工具说明。MCP Server 可以让 Agent 调用解析能力但不能让 Agent 随意上传任意本地文件或外部 URL。建议设置文件白名单、URL 白名单、输出目录、token 权限、日志留存和人工确认。抽样验收要前置。不要等 RAG 回答出错才回头看解析。建议每批入库前抽样 10%-20%表格、公式、金额、实验条件、法律条款等高风险元素单独复核。失败重试要有规则。URL 拉取失败、文件过大、页数超限、API 超时、callback 失败、OCR 语言不匹配、输出目录不可写都应记录错误码和重试次数。人工复核要能阻断入库。needs_review不是备注而是状态在复核完成前不应进入默认知识库或 Agent 可引用资源池。版本漂移要可回放。记录 MinerU 版本、SDK 版本、MCP Server 版本、backend、model、参数、样本哈希和输出路径。没有这些信息解析质量变化无法定位。许可证、额度、页数上限和文件大小限制要单独核对。MinerU 主仓库 README 已显示 license 有更新SDK、API、MCP、在线服务也可能有不同限制商业或高合规项目不要只凭旧文章或二手资料判断。可复现实验声明本文未包含官方实测跑分评测部分为可复现实验方案和示例记录表需替换自己的样本运行。来源链接https://mineru.net/llms.txthttps://mineru.net/apiManage/docshttps://mineru.net/apiManage/limithttps://github.com/opendatalab/MinerUhttps://github.com/opendatalab/MinerU/blob/master/LICENSE.mdhttps://github.com/opendatalab/MinerU-Ecosystemhttps://github.com/opendatalab/MinerU-Ecosystem/tree/main/sdk/pythonhttps://github.com/opendatalab/MinerU-Ecosystem/tree/main/sdk/gohttps://github.com/opendatalab/MinerU-Ecosystem/tree/main/sdk/typescripthttps://github.com/opendatalab/MinerU-Ecosystem/tree/main/mcphttps://github.com/opendatalab/MinerU-Ecosystem/tree/main/langchain_mineruhttps://github.com/opendatalab/MinerU-Ecosystem/tree/main/llama-index-readers-mineruhttps://github.com/opendatalab/OmniDocBenchhttps://arxiv.org/abs/2409.18839https://arxiv.org/abs/2509.22186https://arxiv.org/abs/2604.04771https://modelcontextprotocol.io/specification/2025-06-18https://modelcontextprotocol.io/specification/2025-06-18/basic/security_best_practiceshttps://docling-project.github.io/docling/https://docs.unstructured.io/https://docs.cloud.llamaindex.ai/llamaparsehttps://python.langchain.com/docs/integrations/document_loaders/https://docs.llamaindex.ai/