夜雨聆风📌 快速资源汇总
一、🔥 从一个真实抱怨说起
你一定遇到过这种情况。
公司丢给你一堆 PDF、Word、PPT、Excel，让你整理成知识库，接进 RAG 系统，再让 AI 能问答。
听起来很简单。
但真正开始做，你会发现最难的不是接大模型，而是处理文档。
PDF 里的文字顺序是乱的。
双栏论文一解析，段落前后错位。
表格丢结构，公式变乱码，图片说明跟正文断开。
扫描件更麻烦，还得先 OCR。
最后你发现，RAG 系统回答不准，不一定是模型不行。
很可能是第一步文档解析就烂了。
垃圾进，垃圾出。
这就是很多 AI 知识库项目真正卡住的地方。
今天这个项目，就是专门解决这个问题的。
它叫 MinerU。
一个开源文档解析引擎，目标很直接：
把复杂文档，变成 AI 真正能读懂的数据。
二、📦 这个项目是什么
一句话说，MinerU 是一个面向 LLM、RAG 和 Agent 工作流的高精度文档解析工具。
它可以把 PDF、图片、DOCX、PPTX、XLSX 等输入，转换成 Markdown、JSON 等机器可读格式。
截至我查看 GitHub 页面时，这个项目已经拿到约 72.2k Stars，约 6.1k Forks。
这个数据很夸张。
因为它不是一个聊天工具，也不是一个炫酷 Demo，而是一个非常底层、非常刚需的文档解析工程。
MinerU 来自 OpenDataLab，项目最早诞生于 InternLM 的预训练过程中。
它要解决的核心问题，是科学文献、复杂版式文档、表格、公式、图片、扫描件等内容，如何稳定转换成适合大模型处理的数据。
这件事看起来不性感。
但对 RAG、知识库、企业 AI、论文分析、合同解析、资料沉淀来说，它是地基。
普通工具解决的是“把字抠出来”。
MinerU 解决的是“让 AI 能理解文档”。
这两者不是一回事。
三、⚙️ 核心功能，一个个说清楚
1. 多格式文档解析，不再只盯 PDF
很多文档解析工具都说自己支持 PDF。
但真实工作里，资料从来不只有 PDF。
公司文档可能是 Word。
培训课件可能是 PPT。
经营数据可能是 Excel。
用户上传的可能是截图、扫描件、合同照片。
MinerU 支持 PDF、图片、DOCX、PPTX、XLSX 等输入。
这意味着它不只是一个 PDF 转 Markdown 工具，而更像一个通用文档入口。
你可以把它放在知识库系统的最前面。
不管用户丢进来的是论文、课件、报告、表格，先由 MinerU 做结构化解析。
然后再进入向量库、RAG、Agent 或后续抽取流程。
这对企业 AI 项目非常实用。
因为真实业务里，文档永远是混乱的。
工具必须先适应混乱。
2. 按人类阅读顺序输出，解决 RAG 的第一坑
PDF 解析最容易出问题的地方，不是提不出文字。
而是顺序错。
尤其是论文、财报、说明书、双栏文档。
左栏还没读完，解析结果突然跳到右栏。
图片说明跑到正文中间。
页眉页脚混进正文。
页码也被当成内容。
这种数据进了 RAG，后面就全乱了。
MinerU 会尽量按人类阅读顺序输出文本，并自动去除页眉、页脚、脚注、页码等干扰信息。
这对 RAG 非常重要。
因为向量切片之前，文档必须先有语义连续性。
一段话如果被拆乱，Embedding 再强也救不回来。
所以 MinerU 的价值，不只是“解析得多”。
而是“解析得更像人读过”。
3. 公式转 LaTeX，学术文献终于能进知识库
如果你处理过论文，就知道公式有多麻烦。
普通 OCR 看到公式，很容易识别成一堆乱码。
更糟糕的是，公式的上下文也会被破坏。
这会直接影响论文总结、技术报告分析、科研问答和教材知识库。
MinerU 支持自动识别文档中的公式，并转换成 LaTeX 格式。
比如一篇机器学习论文里的损失函数、数学推导、概率公式，就可以被保留下来。
这点对科研、教育、论文阅读非常关键。
因为很多工具能处理普通文字，却处理不好符号系统。
而科学文献的价值，往往就在这些符号里。
MinerU 最早就是从科学文献解析需求里长出来的，所以它对公式和复杂文档特别重视。
4. 表格转 HTML，让结构不再散掉
表格也是 RAG 的重灾区。
很多工具解析表格时，会把它变成一堆错位文本。
行和列关系没了。
表头和内容断了。
跨页表格更容易出问题。
一旦表格结构丢失，后面再让 AI 分析数据，结果就很不稳定。
MinerU 支持自动识别表格，并转换成 HTML 格式。
HTML 的好处是，它能保留行、列、单元格关系。
这比纯文本更适合后续解析。
比如你要处理财报、实验结果、产品参数表、价格表、对比表，表格结构就非常重要。
如果你做企业知识库，很多有价值的信息其实都藏在表格里。
把表格提好，RAG 的质量会明显提升。
5. VLM + OCR 双引擎，兼顾复杂版式和扫描件
MinerU README 里强调，它支持 VLM + OCR 双引擎。
这点很关键。
因为文档解析不是单一问题。
有些 PDF 本身有文字层，可以直接抽取。
有些是扫描件，只能 OCR。
有些是复杂版式，需要布局分析。
有些有手写、图片、表格、公式、跨页内容。
只靠传统 OCR，很难处理复杂结构。
只靠 VLM，又可能成本高、速度慢，或者在某些场景不够稳定。
MinerU 的思路是组合能力。
对于不同文档，用不同解析路径。
它还支持 pipeline、vlm-engine、hybrid-engine 等后端选择。
你可以在速度、精度、硬件成本之间做取舍。
这对落地很重要。
因为真实业务里，不是所有场景都要最高精度。
有时你要快。
有时你要准。
有时你只有 CPU。
有时你有 GPU 集群。
6. CLI、API、WebUI、MCP，全链路接入工作流
MinerU 不只是一个本地脚本。
它提供 CLI、FastAPI、Gradio WebUI，还支持多服务部署和 router 调度。
更重要的是，它也在往 Agent 工作流靠。
README 里提到它可以和 Cursor、Claude Desktop、Windsurf 等 AI Coding Tools 的 MCP Server 集成，也可以接入 LangChain、LlamaIndex、RAGFlow、Flowise、Dify、FastGPT 等 RAG 框架。
这说明 MinerU 的定位已经很清楚：
它不是单独给人看的工具。
它是给 AI 工作流当入口的。
你可以把它放到 Dify 之前。
也可以放到 LangChain 之前。
还可以让 Agent 在需要读取复杂文档时，自动调用 MinerU 解析。
过去你要人工把文档整理成 Markdown。
现在可以让 MinerU 先完成这一步。
四、🚀 怎么装、怎么用
Step 1：安装基础环境
MinerU 支持 Windows、Linux 和 macOS。
Python 版本要求通常在 3.10 到 3.13 之间。
如果你只是想快速体验，建议先在干净的虚拟环境里安装。
python -m venv mineru-env
source mineru-env/bin/activate标注：这一步是创建独立 Python 环境，避免和你电脑里其他项目依赖冲突。
Step 2：安装 uv
README 推荐使用 uv 安装。
pip install --upgrade pip
pip install uv标注：uv 是一个更快的 Python 包管理工具，用它安装 MinerU 会更顺畅。
Step 3：安装 MinerU
uv pip install -U "mineru[all]"标注：mineru[all] 会安装核心功能，适合大多数用户第一次完整体验。
Step 4：解析一个文档
如果你的设备满足 GPU 加速要求，可以直接使用：
mineru -p <input_path> -o <output_path>标注：-p 是输入文件或目录，-o 是输出目录。解析完成后，你会得到 Markdown、JSON 等结果文件。
Step 5：CPU 环境运行
如果你的电脑没有合适 GPU，可以指定 pipeline 后端：
mineru -p <input_path> -o <output_path> -b pipeline标注：pipeline 后端支持纯 CPU 环境，更适合普通电脑或服务器先跑通流程。
Step 6：从源码安装
如果你想改源码或调试最新功能，可以使用源码安装：
git clone https://github.com/opendatalab/MinerU.git
cd MinerU
uv pip install -e .[all]标注：源码安装适合开发者，后续可以直接查看代码、改配置、提交 PR。
Step 7：Docker 部署
MinerU 也提供 Docker 部署方式。
适合服务器环境，尤其是 Linux 或 Windows WSL2。
# 具体 Dockerfile / docker compose 以官方文档为准
# 建议先阅读官方 Docker 部署说明标注：Docker 适合团队部署和生产环境，但不同 GPU、CUDA、驱动版本会影响体验。
Step 8：测试输出质量
第一次使用时，建议准备三类文件测试：
1. 普通 PDF 报告
2. 双栏论文或带公式论文
3. 扫描件或带表格文档标注：文档解析效果强烈依赖文档类型，不要只用一个简单 PDF 判断工具上限。
五、💡 三个真实场景，看它怎么用
场景 1：企业内部知识库搭建
背景：公司有大量制度文件、培训 PPT、合同 PDF、产品手册和 Excel 表格，想接入 Dify 或 FastGPT 做内部问答。
操作：先用 MinerU 把文档统一解析成 Markdown / JSON，再做切片、Embedding 和入库。
效果：RAG 系统的原始数据更干净，页眉页脚、乱序文本、表格错位等问题明显减少。
这类场景非常适合 MinerU。
因为企业知识库失败，很多时候不是模型问题，而是文档清洗问题。
MinerU 正好卡在最前面。
场景 2：论文阅读和科研资料库
背景：你有大量 AI、医学、金融、工程类论文，里面有双栏排版、公式、表格、图注和参考文献。
操作：用 MinerU 批量解析 PDF，把公式转成 LaTeX，把表格转成 HTML，再交给大模型总结。
效果：AI 不再只读到散乱文本，而是能保留更多论文结构。
你可以继续做：
论文摘要。
方法对比。
公式解释。
实验表格分析。
相关工作梳理。
对于科研人员、技术博主、论文精读内容创作者来说，这个场景很实用。
场景 3：公众号和小红书资料整理
背景：你经常下载行业报告、白皮书、融资资料、产品介绍 PDF，想快速提炼成文章选题和内容素材。
操作：把报告丢给 MinerU，转成 Markdown 后，再让 ChatGPT、Claude、Kimi 总结核心观点。
效果：你可以更快得到：
报告摘要。
核心数据。
金句提炼。
选题方向。
文章大纲。
对内容创作者来说，MinerU 不是直接帮你写文章。
它是先把原始资料变成 AI 容易理解的素材。
这一步做好，后面的写作质量会更高。
六、🐦 X 上的人怎么说
我搜了一圈 X / Twitter 上关于 MinerU 的公开讨论，整体反馈集中在几个方向。
第一类反馈：AI 工具博主关注它的“AI-ready 文档解析”。
用户反馈方向：有人把 MinerU 描述为把 PDF 和 Office 文档转成干净 Markdown 的开源工具，适合 LLM 和 RAG 使用。
我的点评：这说明 MinerU 的传播点非常清晰。
它不是为了让人看文档，而是为了让 AI 读文档。
第二类反馈：开发者关注它在 RAG 前处理里的价值。
用户反馈方向：不少讨论都提到，RAG 管线最脏最累的部分，往往是 PDF 解析和文档清洗。
我的点评：这非常真实。
很多人以为 RAG 难在向量库和提示词，最后发现难在文档解析。
MinerU 正好解决这个“脏活”。
第三类反馈：用户关注复杂内容能力。
用户反馈方向：有人提到 MinerU 支持扫描件、手写、公式、表格、多栏布局等复杂文档场景。
我的点评：这才是它和普通 OCR 拉开差距的地方。
普通文档谁都能提。
复杂文档才是真正考验解析引擎的地方。
第四类反馈：也有人拿它和 Marker、Docling、olmOCR 等工具比较。
用户反馈方向：在 RAG 社区里，经常有人讨论不同 PDF-to-Markdown 工具的实际效果，尤其是教材、论文、多栏文档和表格。
我的点评：这类对比很正常。
文档解析没有绝对银弹。
不同工具在不同文档类型上表现不一样，真正落地时最好用自己的样本测试。
第五类反馈：社区也在持续暴露问题。
用户反馈方向：GitHub Issues 和 Discussions 里能看到用户反馈跨页表格、分页内容、部署环境、模型下载等问题。
我的点评：这反而说明项目在被真实使用。
一个 70k+ Star 的基础工具，不可能没有边界。
关键是它有没有持续迭代，而 MinerU 的更新频率和版本演进都很快。
七、🎯 值不值得用？我的判断
说句实话，MinerU 非常值得试。
尤其是你正在做 AI 知识库、RAG、企业文档问答、论文阅读、行业报告分析，或者任何需要把文档变成结构化数据的项目。
它不是一个“看起来很炫”的 AI 应用。
它更像基础设施。
但越是基础设施，越决定上层应用质量。
如果文档解析烂，后面的 RAG、Agent、知识库、问答系统都会被拖垮。
它最适合三类人。
第一类，RAG 和知识库开发者。
你需要稳定处理 PDF、Word、PPT、Excel，让它们进入向量库。
第二类，企业 AI 服务商。
你要给客户做内部文档问答、制度检索、合同解析、培训资料库，MinerU 可以作为前处理核心工具。
第三类，内容创作者和研究人员。
你经常处理报告、论文、白皮书、课件，需要快速转成 Markdown，再交给 AI 总结。
当然，它也有局限。
第一，复杂文档解析天然很难。
跨页表格、扫描质量差、手写潦草、极端版式，都可能影响效果。
第二，部署不是完全零门槛。
虽然有 pip、uv、Docker、WebUI，但 GPU、CUDA、模型下载、不同系统依赖，仍然可能让新手卡住。
第三，商业使用要看许可证。
MinerU 已经从 AGPLv3 调整为基于 Apache 2.0 的自定义开源许可证，但正式商用前仍建议仔细阅读许可证条款。
第四，它不是知识库本身。
MinerU 负责把文档变干净。
后面的切片、Embedding、检索、重排、问答、权限控制，还需要你结合 Dify、FastGPT、LangChain、LlamaIndex 或自研系统完成。
但我依然觉得，MinerU 是现在做 AI 文档工作流绕不开的项目之一。
因为 AI 时代真正稀缺的，不只是模型。
而是高质量、结构化、可复用的数据。
过去，我们把文档丢给人读。
现在，我们要先把文档变成 AI 能读的数据。
MinerU 做的，就是这件最脏、最累、但最重要的事。
