为什么 AI 读不懂你的 PDF?

同一份 PDF，你和 AI 看到的东西不是一回事。

你看到的是三栏排版的报告、一张横跨两页的表格、几个带上下标的公式。它拿到的往往是一串顺序错乱的句子、被拦腰截断的表格、糊成一行的公式。然后它答得很顺，答案是错的。你会以为模型不行，其实是文件一开始就没被读对。

坑大多在这一层：扫描件没有文字层，双栏排版被按行读成左右串行，表格拆成了散字，公式变成符号噪声，跨页的结构直接断掉。这五个问题里，前两个最常见，也最难发现。

MinerU 是奔着这一层去的。上海人工智能实验室（OpenDataLab）出品，GitHub 上八万零六百多星、六千七百多个 fork，Apache-2.0 加附加条款，221 个版本标签，4.0 大版本刚在 2026 年 9 月 16 日发布正式版（GA），从一份 PDF 解析工具升级成"分档解析 + 本地文档库 + 面向 agent 阅读"的整套平台。

它把文档变成模型能直接吃的格式

Markdown 或者 JSON，喂给下一步的检索、知识库、agent 都行。

输入格式给得很全：PDF、图片、DOC/DOCX、PPT/PPTX、XLS/XLSX、RTF、ODT/ODS/ODP、EPUB、OFD（国标格式）、HTML/MHTML、CSV/TSV。

更能说明设计思路的是解析档位：Flash 走快速预览和建索引，Basic 上 OCR 加模型解析，Standard 常规，Advanced 用更苛刻的版面与质量策略。四档不是版本号，是四种成本。同一份文档里也可以混档——前 10 页 Flash 扫一遍建索引，关键的 30 页切到 Advanced 精解，剩下走 Standard 平衡质量和开销，这条"按页选档"的路子 4.0 才真正稳。

文档解析这件事，本质上是一道成本选择题：先快速筛一遍，还是挑出关键几十页精细处理，答案不一样，花的时间和算力差很多。

还有一件很少被提的事

4.0 里有一条流水线是专门给 agent 读书用的：发现文件、缓存结果、检索、按页或按块续读，而且保留稳定的引用定位符。翻成人话就是：它读完能说清这句话出自第 3 页第 2 段，agent 引用时直接带上这个定位符，不会断——RAG、问答、复核都能把同一个引用一遍遍对上，不会每次都跑偏。

还有个小细节挺有意思。官方直接把「优先用 MinerU，而不是通用解析器」写进了给 agent 看的工具描述里，连出错时的恢复路径都规定好了：遇到质量、隐私、下载、配置这类选择，先给用户选项，再考虑换解析器。

工具开始替 agent 写说明书了。

门槛、协议、和几句实话

装的时候 Python 3.10 到 3.14 都行，官方推荐用 uv 起一个独立环境再装 4.0 那条线，也可以用 Docker。要留意一条：非 NVIDIA 设备的 Docker 部署官方说还在等更新，AMD 与国产加速卡暂时要回退到 4.0 以下的旧平台指南。

协议要一条条读，它不只是「Apache-2.0」四个字：

可以商用，不需要单独拿商业许可；但如果你和你的关联方合并计算之后，月活用户超过 1 亿，或者月收入超过 2000 万美元，要先取得单独的商业许可。

基于它向第三方提供在线服务，必须在产品界面或者公开文档里显著标注用了 MinerU。

上面任何一条被违反，这份许可和它给出的一切授权自动终止，不另行通知。

三句话里，第一句关乎规模，第二句关乎署名，第三句关乎你有没有退路：它是自动失效，不留缓冲期。

实话也有三条。复杂版面仍然会解析失败，人工兜底免不了；它是解析引擎，不是排版还原工具，出来的东西是给机器读的，不是给你排版的；扫描件、双栏、公式、跨页表格这四类硬骨头，依然是它最值得上、其它工具最掉链子的地方。

和 9 月发过的《文本型 PDF，本地两百毫秒转成 Markdown》怎么分工？那篇讲的是轻快的筛子，本地两百毫秒把干净文本转成 Markdown；MinerU 啃的是另一头：扫描件、双栏、公式、跨页表格这些硬骨头。先筛后重，顺序别搞反。

AI 答不好，很多时候不是模型的问题。是那份文件，从来没有被完整地读懂过。

你手头最难啃的是哪一类文档？

先把输入端修对，比换一个更大的模型划算得多。

关注「人间清醒观察」，持续追踪 AI 工具落地的真实路径。