MinerU 是一款开源项目：开源的 PDF 高精度解析工具，常用于中文文档入库。

这篇不讲概念，直接给能复制修改的模板，以及每个模板该怎么填。

模板怎么用

每个模板都由三部分组成：背景（你是谁、要做什么）、约束（格式、篇幅、禁止事项）、验收（怎样算合格）。把方括号里的内容换成你自己的信息即可。

模板 1：内部文档入库

适合：一批 PDF、Word 和网页。

把这些文档解析为干净的文本：保留标题层级和表格，去掉页眉页脚，按章节切分，每段附上原文件名和页码。

填写提示：先用一份小样本试跑，再处理完整材料；验收看「切分后的段落能回溯到页码」。

模板 2：资料卡片整理

适合：搜索得到的十几篇资料。

把这些资料整理成卡片：每张卡片包括一句话结论、关键数据、来源和可信度评价，最后按主题分组。

填写提示：如果结果太长，补一句字数或条数上限；验收看「每张卡片都有来源」。

模板 3：网页内容抓取

适合：一组需要定期关注的网页。

把这些网页转成 Markdown，去掉导航和广告，只保留正文、发布日期和作者；发布日期缺失时标注「未知」。

填写提示：如果结果太长，补一句字数或条数上限；验收看「没有臆造发布日期」。

模板维护

  • 给每个模板编号并记录修改日期。
  • 保留一份「效果好」的示例输出作为对照。
  • 团队共用时注明适用场景和负责人。

延伸练习

检索效果对比

适用情况：手头有同一批问题和两种检索配置时。

用同一批测试问题分别跑关键词检索、向量检索和混合检索，记录前 5 条结果中正确段落的命中情况。

验收标准：对比用同一批问题。

带来源的快速调研

适用情况：手头有一个需要事实支撑的问题时。

请回答【问题】，每个关键结论后标注来源链接；如果不同来源说法不一，请分别列出；最后给出你认为最可靠的来源及原因。

验收标准：关键结论都有可点击来源。

构建问答测试集

输入：一份产品手册。

根据手册编写 20 个用户可能问的问题及标准答案，标注答案所在章节，用来评估知识库检索效果。

交付前确认：每个答案都能在手册中找到。

常见问题：回答过于笼统

要求逐条引用原文，并限定只回答文档中有依据的内容。

常见问题：搜索结果过时

限定时间范围，或在提问中注明需要最新信息并核对发布日期。

常见问题：中文检索效果差

选择对中文支持好的嵌入模型，并为专有名词建立同义词。

概念补充：引用溯源

回答附带原文出处，便于核对。

概念补充：嵌入（Embedding）

把文本转成向量，用于语义相似度检索。

适合人群：软件工程师

软件工程师可以用 MinerU 处理代码阅读与重构、测试与排错等工作。需要注意：不要把密钥和未开源代码上传到未授权工具，合并前审阅每处改动。

使用提醒

本文基于 MinerU 公开的定位与通用用法编写，具体功能、套餐与可用地区以官方页面为准，产品更新后界面和名称可能变化。

涉及个人信息、商业机密或受监管数据时，先确认 MinerU 的数据处理条款，再决定能否使用。

延伸阅读