MinerU 组合用法：从输入到交付的完整链路
在「搜索与知识库」类工具里，MinerU 的定位是：开源的 PDF 高精度解析工具，常用于中文文档入库。
单独用一个工具往往只解决一段问题，这篇讲怎么把它和上下游工具串起来。
推荐组合：MinerU + Pydantic AI
Pydantic AI 的定位是：Pydantic 团队推出的类型安全智能体框架。两者分工可以是：MinerU 负责「带来源的快速调研」这一步，Pydantic AI 负责把前后步骤串成自动化流程。
工作流步骤
- 明确交付物和验收标准，例如：关键结论都有可点击来源。
- 准备输入：一个需要事实支撑的问题，先去掉敏感信息。
- 在 MinerU 中执行核心步骤（提示词见下文）
- 把结果交给 Pydantic AI 做下一步处理，或从 Pydantic AI 取得所需材料。
- 人工检查关键事实与格式，记录发现的问题。
- 把这次用到的提示词和设置保存为模板，下次复用。
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。
交接时最容易出问题的地方
- 格式不兼容：两边导入导出的格式提前测试一次。
- 信息丢失：每次交接附上来源和版本号。
- 责任不清：约定哪一步由谁做最终确认。
- 权限分散：两边的账号和分享范围分别检查。
如果暂时不想引入第二个工具，也可以先用 Marker 等同类产品替代其中一环，跑通流程后再决定。
更多可以试的用法
网页内容抓取
准备材料：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」。
交付前确认：没有臆造发布日期。
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。
检查点：对比用同一批问题。
内部文档入库
适用情况：手头有一批 PDF、Word 和网页时。
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。
交付前确认：切分后的段落能回溯到页码。
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：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。
常见问题：答案引用了错误段落
调整切分大小、加入重排序，并检查文档解析是否丢失标题。
概念补充：RAG（检索增强生成）
先检索相关资料再让模型作答，降低胡编概率。
概念补充：混合检索
同时使用关键词和向量检索，兼顾精确匹配与语义理解。
适合人群：客服人员
客服人员可以用 MinerU 处理回复草稿、工单分类等工作。需要注意：不得以 AI 名义做出政策外承诺，涉及隐私的问题按流程处理。
使用提醒
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。
所有示例输出均为示意，不代表真实统计或效果承诺；请以自己的测试结果为准。