多模态 RAG、Agent 和 MCP 正把文档解析推到更靠前的位置PDF、Office、扫描件、表格、公式和图表不再只是“转成文本”而是进入知识库前的关键数据工程。近期 OmniDocBench 增加 EvalScope 集成RAG-Anything 继续强化多模态管线这提醒我们RAG 上线前真正要准备的不是一个 loader而是一套可复现的文档解析评测包。热点背景过去做 RAG很多团队会先问一个很直接的问题这个 PDF 能不能被模型回答出来但到了 Agent、MCP 和多模态 RAG 场景这个问题已经不够了。原因很简单最终答案可能是对的但中间结构可能是错的。表格列错位、公式上下标丢失、扫描件 OCR 把0识别成O、双栏论文阅读顺序错乱、图注和图片脱钩这些问题在一次问答里未必暴露却会在知识库、科研 Agent、自动报告、合规审查或 Sciverse 类科研数据管线中持续放大。近期有几个公开信号值得放在一起看。第一OmniDocBench 这类文档解析基准继续细化。它覆盖真实 PDF 场景评估文本 OCR、版面检测、表格识别、公式识别和阅读顺序等维度并在 2026 年 7 月 27 日增加了社区维护的 EvalScope 集成方便用 OpenAI-compatible 模型端点跑标准化预测、指标和报告。第二RAG-Anything 等多模态 RAG 项目把文档拆成文本、图片、表格、公式等元素再进入跨模态检索和知识图谱。这说明 RAG 的输入正在从“文本块”升级为“多模态元素包”。第三MCP 2026-07-28 规范强调工具的输入 schema、结构化结果、错误处理、权限校验和审计记录。文档解析一旦作为 MCP Server 暴露给 Agent就不能只返回一段 Markdown还要能说明解析了哪份文件、哪些页、哪些元素、哪些失败、能否进入知识库。MinerU 的公开资料正好处在这个交叉点上。官方llms.txt把 MinerU 定义为面向 LLM、RAG 和 Agent 工作流的智能文档解析平台支持 PDF、Word、PPT、图片、HTML 等转换为 Markdown、JSON、LaTeX、HTML 等结构化结果并提供 CLI、Open API、Python SDK、Go SDK、TypeScript SDK、MCP Server、LangChain、LlamaIndex 等入口。公开路径中未找到可核验的llms-full、llms-full.txt或llms-full.md资料本文不引用不存在的完整资料。核心观点1. 公共 benchmark 不能替代你的入库验收OmniDocBench、ParseBench、RealDocBench 这类公开工作能告诉我们行业正在关注什么OCR、表格、公式、阅读顺序、版面结构、跨页关系、复杂扫描、真实文档难例。但它们不能直接替你决定“这批企业合同能不能入库”“这组科研论文能不能给 Agent 调用”“这份财报表格能不能进入自动分析链路”。原因不是公共基准不重要而是生产样本一定有自己的分布语言、版式、扫描质量、行业术语、页数、表格密度、隐私等级、审核规则和失败容忍度都不同。更稳的做法是用公开 benchmark 确定评测维度用自己的样本集决定上线阈值。2. 多模态 RAG 的上限取决于元素级解析质量文本 chunk 只是 RAG 的一部分。科研论文、技术规格书、企业报告、专利、PPT、Excel 和扫描件里大量关键信息不在自然段里而在表格、公式、图片、图表、页眉页脚、脚注、编号、单位和跨页版面关系中。因此文档解析评测包至少要覆盖以下元素元素常见失败对 RAG / Agent 的影响OCR 文本错字、漏字、乱码、重复字符检索召回偏移答案引用错误表格行列错位、表头丢失、跨页断裂指标、单位、金额和实验结果被误读公式上下标丢失、LaTeX 错误、编号脱钩科研推导、工程计算和引用失真版面双栏顺序错、标题层级错、页脚混入正文chunk 语义边界混乱图片 / 图表图注丢失、图片未保存、图表数据不可查多模态问题无法回到证据JSON / Markdown元素类型不稳定、metadata 不全Agent 难以调用和审计MinerU 的价值不只是 PDF 解析或 OCR而是把这些元素稳定输出成 Markdown、结构化 JSON、图片资产、表格 HTML、公式 LaTeX以及可被 CLI、Open API、Python SDK、Go SDK、TypeScript SDK、MCP Server、LangChain 和 LlamaIndex 使用的工程接口。3. MCP 让解析从离线工具变成可审计工具调用当文档解析被接入 MCPAgent 可以自然语言触发parse_documents一类工具。便利性提升的同时风险也上升Agent 可能上传了不该上传的文件解析了错误页码把失败结果当成已验收内容或者在工具重试时重复入库。所以解析评测包不应只保存最终 Markdown还要保存工具调用记录字段用途doc_id/file_hash确认样本是否一致source_path/source_url追踪来源和权限边界page_range复现解析范围entrypointCLI、Open API、Python SDK、MCP Server、LangChain、LlamaIndexparamsOCR、language、table、formula、model、extra_formatsparser_version追踪版本漂移output_refsMarkdown、JSON、图片、docx、html、latex 路径review_statusaccepted、needs_review、rejectedfailure_typeOCR、table、formula、layout、permission、quota、timeout对 Sciverse 类科研数据基础设施来说这类记录尤其重要。科研 Agent 需要的不只是“读过论文”而是知道每个表格、公式、图表和结论来自哪里是否通过人工抽样能不能被复跑和引用。技术展开一套面向 MinerU 的解析评测包可以拆成五层。第一层是样本层。样本不应只放干净 PDF而要覆盖科研论文、扫描 PDF、财报、合同、说明书、PPTX、DOCX、XLSX、网页、图片、专利、教材、双栏论文、多语言材料、公式密集页、表格密集页和图表密集页。第二层是解析层。MinerU 可以通过本地 CLI 做小样本预检通过 Open API 和 Python SDK 做批量任务通过 Go SDK、TypeScript SDK 接入业务系统通过 MCP Server 让 Agent 调用通过 LangChain、LlamaIndex 进入 RAG 管线。关键不是入口越多越好而是所有入口共用同一套样本、参数和验收表。第三层是元素层。解析结果要按元素检查而不是只看全文是否可读。对于表格检查表头、单位、合并单元格和跨页连续性对于公式检查 LaTeX、上下标、编号和上下文对于 OCR检查关键编号、日期、金额、专有名词对于版面检查阅读顺序和标题层级对于图片和图表检查图注、文件路径和引用关系。第四层是入库层。不要让所有解析结果默认进入 RAG。建议把元素分为accepted、needs_review、rejected三类只把通过验收的元素交给 LangChain、LlamaIndex、向量库、知识图谱、MCP resource 或 Sciverse 科研数据层。第五层是回放层。每次升级 MinerU、切换模型模式、调整 OCR 语言、改变 LangChain / LlamaIndex 切块策略、修改 MCP Server 配置、变更 Open API 参数或替换 SDK 版本都用同一批样本重跑一次并比较失败类型是否变化。能力边界也要清楚。MinerU 可以提供精准 OCR、公式识别、表格提取、版面还原、多格式输出、多语言支持、元素提取、结构化 JSON、Markdown 输出、MCP/Agent 接入、RAG 入库、批量处理和私有化部署能力但它不能替代业务事实判断。低清扫描、手写批注、复杂工程图、财务结论、医学结论、法律解释和未公开科研数据仍需人工复核和权限治理。对比分析下面这张表不是跑分结论而是评测维度设计。没有用同一批样本真实运行前不应写具体胜负。方案适合场景评测维度观察方式边界传统 OCR扫描件、图片转文字字符准确率、版面保留、关键字段抽样比对原图和 OCR 文本表格、公式、阅读顺序通常要额外处理通用大模型直接读文档临时问答、少量公开材料答案可解释性、引用可回链、幻觉率问答结果回到页码和元素难以批量复现成本、隐私和上下文长度需核对云厂商文档智能服务企业级托管解析、表单/票据API 限制、区域、费用、表格/字段质量记录任务状态、错误码、输出结构数据出境、私有化、定制能力需确认开源 PDF 工具文本型 PDF、轻量 ETL文本抽取、页码、速度、依赖与原文逐页对齐OCR、复杂版面、公式、图表通常不足RAG 框架 loader快速 Demo、轻量知识库metadata、chunk 边界、接入成本检索结果能否回到页面和元素对复杂表格、公式、图片资产支持有限Docling本地多格式解析、DoclingDocument、GenAI 数据准备文档表示、导出格式、表格/公式/图片、MCP/API用同一批样本检查结构完整性中文、科研复杂样本和部署资源需自测Unstructured文档 ETL、partition、chunk、连接器、MCP元素类型、连接器、批处理、chunk检查元素和 metadata 是否满足入库复杂公式、图表语义和成本边界需自测LlamaParseLlamaIndex 生态、托管解析Markdown/JSON、解析参数、API、索引集成对比输出结构和入库效果隐私、额度、区域和费用需当天核对MinerU科研论文、企业知识库、多模态 RAG、Agent 工具链、Sciverse 数据管线OCR、表格、公式、版面、图片、JSON/Markdown、MCP/SDK/API、私有化建立解析评测包并定期回放API 限制、版本漂移、人工验收和数据安全需治理可复现实验方案样本集设计建议最小样本集从 30 份文档开始不追求大而全先追求覆盖关键失败类型。组别文档类型数量建议必测内容通过标准A科研论文 PDF5双栏、公式、表格、图注、参考文献关键公式和表格可回链B扫描 PDF / 图片5OCR、低清、倾斜、印章、手写痕迹关键编号和字段人工确认C企业报告 / 财报5跨页表格、金额、单位、图表表头、单位、指标对应正确DDOCX / PPTX5标题层级、列表、图片、备注结构和阅读顺序可入库EXLSX5多 sheet、合并单元格、公式结果表格语义和 sheet metadata 保留FSciverse / 科研数据材料5数据说明、实验表、指标公式、图表可形成 AI-ready 科研数据资产评测维度维度检查内容观察方式OCR错字、漏字、重复字符、乱码抽样对照原图和关键字段版面阅读顺序、标题层级、页眉页脚对照原 PDF 页面表格行列、表头、单位、跨页、合并单元格用 HTML/Markdown/JSON 逐项检查公式LaTeX、上下标、编号、上下文与原文公式截图人工核对图片 / 图表图片保存、图注、页面位置、引用关系检查资源路径和 metadata多格式输出Markdown、JSON、docx、html、latex确认下游系统实际需要哪些格式Agent 调用MCP 工具输入、结构化结果、错误处理查看工具调用日志和structuredContentRAG 入库chunk 边界、metadata、召回证据检索问题能否回到页码和元素人工验收标准每份文档至少抽查 3 类元素正文段落、表格或公式、图片或图表。高风险文档要提高抽样比例。任何涉及金额、法律义务、医学结论、实验指标、专利权利要求、设备参数和安全规范的字段不能只靠自动解析结果直接入库。失败案例记录方式失败记录要足够具体能让下次版本升级后复现。字段示例case_idpaper_003_formula_02doc_typeresearch_pdfpage7element_typeformulaentrypointPython SDKparamsmodelvlm, formulaTrue, tableTrue, languageenexpected保留上标、下标和公式编号observed下标丢失公式编号未关联severityhighreview_statusneeds_reviewcan_indexfalse示例记录表case_id文档页码元素方案观察结果验收状态是否入库eval_001paper_01.pdf3tableMinerU CLI表头和单位正确跨页待确认needs_review否eval_002scan_02.pdf1OCRMinerU Python SDK关键编号A10O疑似 O/0 混淆needs_review否eval_003report_04.pdf12chartMinerU Open API图注保留图表数据需人工转录验证needs_review否eval_004slides_02.pptx5layoutMinerU MCP Server标题层级与正文顺序正确accepted是eval_005sheet_03.xlsx2tableLlamaIndex ReaderMarkdown 可入库但 JSON 资产需另存accepted是待读者替换样本运行说明读者应把上表里的paper_01.pdf、scan_02.pdf、report_04.pdf替换成自己的真实样本。至少选择 MinerU 与一个对照方案例如 Docling、Unstructured、LlamaParse、传统 OCR、云文档智能服务或 RAG loader。保持同一批文档、同一页码范围、同一验收表再比较输出结构、失败类型和人工复核成本。代码示例CLI先生成可验收解析资产# 本地开源 CLI 示例适合先跑小样本预检mineru-p./samples/paper_01.pdf-o./runs/mineru/paper_01# 如果设备资源有限可按官方 README 选择 pipeline 后端mineru-p./samples/scan_02.pdf-o./runs/mineru/scan_02-bpipeline# MinerU Open API CLI 示例适合把结果保存成可审阅目录mineru-open-api extract ./samples/report_04.pdf\-o./runs/open-api/report_04\-fdocx,html,latex建议同时保存命令、版本、输入哈希、输出目录和验收记录。不要只把 Markdown 复制进知识库后删除原始解析资产。Python SDK把解析结果写入评测台账frompathlibimportPathfrommineruimportMinerU clientMinerU(YOUR_MINERU_TOKEN)samplePath(./samples/paper_01.pdf)resultclient.extract(str(sample),modelvlm,ocrTrue,formulaTrue,tableTrue,languageen,pages1-10,extra_formats[docx,html,latex],timeout600,)out_dirPath(./runs/mineru/paper_01)result.save_all(out_dir)record{doc_id:sample.stem,entrypoint:python_sdk,state:result.state,task_id:result.task_id,markdown_path:str(out_dir/output.md),review_status:needs_review,}print(record)LangChain只让通过验收的页面进入 RAGfromlangchain_mineruimportMinerULoaderfromlangchain_text_splittersimportRecursiveCharacterTextSplitter accepted_pages{paper_01.pdf:{1,2,4,5}}loaderMinerULoader(source./samples/paper_01.pdf,modeprecision,tokenYOUR_MINERU_TOKEN,split_pagesTrue,pages1-5,ocrTrue,formulaTrue,tableTrue,)docsloader.load()docs[docfordocindocsifdoc.metadata.get(page)inaccepted_pages[paper_01.pdf]]splitterRecursiveCharacterTextSplitter(chunk_size1200,chunk_overlap200,)chunkssplitter.split_documents(docs)MCP Server让 Agent 调用解析但保留结构化结果{mcpServers:{mineru:{command:uvx,args:[mineru-open-mcp],env:{MINERU_API_TOKEN:your_key_here,OUTPUT_DIR:./runs/mcp}}}}接入 MCP 后建议把工具结果写成结构化记录文件、页码、参数、输出路径、错误状态、人工验收状态。Agent 可以使用解析能力但不应绕过数据安全、隐私边界和人工复核。复现步骤准备样本选 30 份左右真实文档覆盖 PDF、扫描件、DOCX、PPTX、XLSX、图片、网页、科研论文、企业报告和图表密集材料。标注重点页每份文档挑出 1-3 个关键页标记表格、公式、图片、OCR 难点、跨页内容和业务关键字段。选择方案至少比较 MinerU 和一个替代方案例如 Docling、Unstructured、LlamaParse、传统 OCR、云文档智能服务或 RAG loader。执行解析先用 CLI 小样本预检再用 Python SDK、Open API 或 MCP Server 批量跑。查看输出检查 Markdown、JSON、图片资产、表格 HTML、公式 LaTeX、docx、html、latex 是否满足下游需要。人工抽样按 OCR、表格、公式、版面、图片、metadata、RAG 入库七类维度打标。记录问题每个失败案例都保存页码、元素类型、参数、截图或原文位置、失败原因和严重程度。决定是否上线只把accepted元素进入知识库、向量库、Sciverse 数据层或 Agent 可调用资源。回放复测升级 MinerU、SDK、MCP Server、LangChain、LlamaIndex 或解析参数后用同一批样本重新跑。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读者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/releases/tag/mineru-3.4.4-releasedhttps://github.com/opendatalab/MinerU-Ecosystemhttps://github.com/opendatalab/MinerU-Ecosystem/tree/main/sdk/pythonhttps://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/2412.07626https://evalscope.readthedocs.io/en/latest/benchmarks/omni_doc_bench.htmlhttps://github.com/HKUDS/RAG-Anythinghttps://arxiv.org/abs/2510.12323https://modelcontextprotocol.io/specification/2026-07-28/server/toolshttps://docling-project.github.io/docling/https://github.com/docling-project/doclinghttps://docs.unstructured.io/https://github.com/Unstructured-IO/unstructuredhttps://developers.llamaindex.ai/llamaparse/parse/getting_started/https://huggingface.co/datasets/SciBase/AI-ready-Science-Corpus