尤其是做：

时，你会发现：

很多时候，不是模型不够强，而是文档数据太差。

最近看到一个非常强的国产开源项目：

MinerU

GitHub：https://github.com/opendatalab/MinerU

在线使用：

https://mineru.net/OpenSourceTools/Extractor

它不是传统 OCR 工具，而是：

专门为 LLM 场景设计的文档解析引擎

为什么 PDF 解析一直很难？

传统方案最大的问题是：

“只能提取文本，无法理解文档结构”

于是就会出现：

最后导致：

很多 AI 项目最后效果不好，其实问题根源在数据层。

MinerU 强在哪里？

MinerU 最核心的能力是：

不只是提取文本，而是重建文档结构

它会真正理解：

并输出：

对于 RAG 来说，这一点非常重要。

因为：

LLM 更需要“结构化文档”，而不是纯文本。

我觉得最实用的几个能力

1. PDF 转 Markdown 效果非常好

很多工具导出的 Markdown：

MinerU 的输出已经很接近：

“可直接喂给 LLM”

这能省掉大量清洗工作。

2. 对复杂 PDF 支持很好

包括：

都能较好处理。

这点对论文、金融、企业文档场景非常重要。

3. 非常适合 RAG Pipeline

很多人现在已经开始把它作为：

直接接到 AI Pipeline 里。

生态也很完整

目前已经支持：

还能和：

等生态配合使用。

甚至支持纯 CPU 运行。

一个很明显的趋势

以前大家做 AI：

重点在模型。

现在越来越多团队开始发现：

“高质量数据入口” 才是真正的核心竞争力。

而 MinerU 正在解决的，就是：

如何让 AI 真正读懂复杂文档。

如果你正在做：

这个项目非常值得看看。

项目地址：

https://github.com/opendatalab/MinerU