PPT 是AI结构化解析的硬骨头:MinerU 和 Knowly 实测对比-系列1

随着 AI 越来越深入我们的工作和生活，让 AI 理解我们日常生产出来的各种 PDF、Word、PPT、扫描件的内容，就变得越来越受重视。我们定义了一个指标：内容语义还原度（CSF，Content Semantic Fidelity），值越高效果越好。

最近 MinerU 很火，我看到不少人在推荐，也看到很多朋友开始讨论：文档解析是不是直接用 MinerU 就够了？

因为 Knowly 的核心底座能力之一，就是帮助用户构建个人 AI 知识库，自然也有一套独有的文档结构化识别能力。作为一名技术人，一时技痒是在所难免的。

今天我们就跟 MinerU（直接用其官网的）来做一下实战对比，看看它是不是真的如传说中的那般强！

先说明一下，这组文章不聊部署、不聊开源生态，也不聊模型参数，就看一个最直接的问题：

同一份文档解析出来以后，结构还在不在，对应的CSF有多少分。

对知识库来说，识别出文字只是第一步。真正影响后面搜索、问答和总结效果的，是标题、层级、模块、图片、表格、阅读顺序这些结构有没有保住。

这一篇先拿 PPT 开刀。

PPT 很适合做第一篇，因为它本来就不是按自然段写出来的。它更像一页页信息图：有纵向层级，有横向流程，有图片，有图标，有箭头，有说明文字。人眼看起来很自然，机器解析时就不一定了。

这次我选了一份《2026 开发计划》PPT，从里面拿三页做案例：

第一页：纵向结构，看层级和功能树；

第二页：横向结构，看阅读顺序和模块关系；

第三页：带图片页面，看图文关系和图片内容处理。

接下来我们就一页一页根据结果来做对比，看同一页 PPT 经过结构化以后，究竟谁的

我们就盯着页面结构看：同一页 PPT 经过结构化以后，究竟谁的内容语义还原度分数更高。

先说判断标准

为了避免只凭感觉，我这次主要看 5 个点。

第一，标题有没有被识别成标题。

PPT 里经常有页面标题、模块标题、小标签。如果这些全部变成普通文本，后续知识库就很难知道一页 PPT 的主题是什么。

第二，层级有没有保住。

尤其是功能树、目录、列表这种内容，缩进和父子关系很重要。少了层级，看起来字没丢，但意思已经变了。

第三，阅读顺序是否符合人眼习惯。

PPT 不一定是从左上角一路读到右下角。有些页面是从上到下，有些页面是从左到右，有些页面是围绕中心展开。顺序一乱，后面切片和问答都会受影响。

第四，图文关系有没有断。

图片、图标、流程图旁边的文字，往往是在解释它。结构化结果不能只把文字拿出来，还要尽量保留“这段话在解释哪个对象”。

第五，关联元素有没有识别

我们人的视角去看的，PPT里是没有无用元素的，哪怕一个小图标、小箭头，都是带有明确的含义的，这种要能识别出来那就厉害了。

案例一：纵向结构页，看层级能不能保住

第一页是一个典型的纵向结构页

内部区分三个子标题，每个子标题下各自有一个content内容区，有最多4个层级的无序+有序列表；同时整个页面还有批注、演讲者备注、以及工作台后面还加了一个小人的图标。

MinerU 结果

这一页的效果比较差，主要三个问题：

标题和内容之间的关联关系错乱，工作台、体验台都放一起了
多层级的列表关系没有体现，结构完全错乱
批注、备注、还有图标这些信息都丢失了

综合得分：40分

Knowly 结果

我们看一下Knowly识别出来的结果：

一个二级标题，下面带三个三级标题，
每一个三级标题下，内容区的多个层级关系、有序、无序列表都100%还原
批注、备注，还有那个图标及对应位置也还原了出来（这个图标挺重要哦，它也是一种重要的语义）

这个效果可以说非常好，基本上人视角里看到的东西和关系，它全部都还原了，已经找不到进步空间了！

综合得分：100分

案例二：横向结构页，看阅读顺序会不会乱

第二页是横向结构页。主要有两个主模块：量化平台和减排平台。每个主模块内部又各自有5个小模块。人看这页，会自然理解成：

围绕量化平台，有项目管理、活动数据管理、指标图表、报告等能力，再进一步支撑多场景、多指标、多分析。

但机器如果按坐标或文本框顺序读，就会出现文字都在，但逻辑顺序就散了。

MinerU 结果

这一页minerU又崩了，文字是全部读出来了，但结构、顺序、语义已经完全乱套了，基本上一个都没有还原出来，比上一页的结构性还差一点。

综合得分：30分

Knowly 结果

这个结果里，

一个页面级别的二级标题，下面带两个三级标题分别是量化平台和减排平台
各自下面有对应5个4级别标题，以及具体的内容
还有演讲者备注

这个结果简直完美！试想一下,比如用户问：

这页里量化平台还有哪些待解决问题？

用minerU输出的结果，是不是100%会出现幻觉？

最终得分：100分

案例三：带图片页面，看图文关系有没有断

第三页是“平台展望”。这一页有一段文字，但重点不只是这段文字，还有图片和整体表达。

带图片的 PPT 很常见，尤其是产品方案、规划方案、汇报材料。很多时候，核心信息就在图里。旁边的文字只是概括，图片才是展开。

所以这一页主要看两件事：

图片有没有被当成有效信息处理；
图片和页面文字之间的关系有没有保留。

MinerU 结果

这一页在minerU里被原模原样的返回来了。我上传docx测试都是支持OCR的，不知道是不是PPT文件它没有开？

因为PPT里有各种图形、图标、小图、大图等，究竟哪些该OCR、哪些不该，还是非常考验技术的，可能因此没有对PPT打开OCR（猜测）。

最终得分：30分

Knowly 结果

首先识别出了二级标题下，有一个图片，对图片进行OCR并输出了全部的文字

但图里要表达的关系，在这里是错误的。

这张图确实比前两页难很多。它不是简单的文字识别，而是要理解一张图里的业务关系、流向和组织方式。距离“真正读懂图”还有提升空间，OCR的局限性也体现了。

其余文字是正常提取出来的了

综合得分：70分

结果总结

三页最终评分汇总

页面	核心难点	MinerU CSF	Knowly CSF
第一页：纵向结构	标题、模块、多级列表、批注备注、图标语义	40 分	100 分
第二页：横向结构	阅读顺序、中心关系、模块归属	30 分	100 分
第三页：带图片页面	图片 OCR、图文关系、图内语义	30 分	70 分

如果只看这三页样本，MinerU 的平均 CSF 是33.3 分，Knowly 的平均 CSF 是90 分。

当然，这不是说 MinerU 在所有文档上都只有这个水平。不同格式、不同转换链路、不同配置，结果都会变。但至少在这份 PPT 上，差距是非常明显的。

这也是我做完这轮实测以后最深的感受：

PPT 解析真的不能只看“文字有没有出来”。

文字出来了，但层级没了、模块散了、图片丢了、阅读顺序乱了，那它对知识库来说依然是不够用的。因为用户后面问的不是“这页里有哪些字”，而是“这页到底表达了什么”。

MinerU 是一个非常火的开源项目，GitHub 上已经有数万 Star，这说明它确实踩中了很多人的痛点，也说明文档解析这件事被越来越多人重视。

但实际测下来，我觉得我们也需要对这类工具稍微“去魅”。不是说它不好，更不是否定开源项目的价值。恰恰相反，能把这么多人重新拉回到文档解析这个问题上，本身就是一件很有意义的事。

这些事情都不轻松，也不是一个通用工具一上来就能全部解决。

这里面还有大量真实问题没有被彻底解决，还有很多工程细节、产品判断和场景优化可以继续做。

文档结构化不是一个已经结束的赛道。它才刚刚开始变得重要。

小结

这一篇先看 PPT。三页测下来，我的结论很明确：

PPT 是结构化解析的硬骨头。

纵向页面考层级，横向页面考顺序，带图片页面考图文关系。只要其中一个环节没处理好，后续知识库问答就很容易出问题。

下一期我们继续做 DOCX 文件的对比。

DOCX 看起来比 PPT 规整，但企业知识库里最常见的制度、方案、合同、说明文档，恰恰都依赖标题层级、编号列表、表格、图片说明这些结构。它不像 PPT 这么“花”，但它更贴近日常办公，也更能看出一个工具的基本功。

下一期，我们一起来看看minerU对docx的表现怎么样吧（应该会不错）