MonkeyOCR 代理就绪文档解析

要解决的问题

代理读到的"文档"往往只是一堆二进制字节。多页 PDF 里文字被排版切碎，扫描件是纯图像，公式退化成乱码，表格的行列关系在复制粘贴后彻底丢失。下游 Agent 拿不到干净的文本流，就只能基于残缺信息做推理，幻觉和漏读几乎是必然结果。

技能如何工作

这个技能把 MonkeyOCR 封装成一条面向 Agent 的解析流水线，目标是把异构文档统一转成结构化 Markdown，让模型能直接 ingest 和 reason over。

• 多模态输入覆盖：支持常规 PDF、扫描页图像、包含公式的页面、以及表格密集型页面，不要求输入已经是文本层完好的文件。
• 结构化输出：解析结果不是原始 OCR 字符串，而是保留标题层级、公式块和表格结构的 Markdown，便于后续分块、检索或交给另一个模型消费。
• 模型规模可选：提供 MonkeyOCR-pro-3B、MonkeyOCR-pro-1.2B 和 MonkeyOCR 等不同规格，方便在效果与推理成本之间做权衡。
• 权重来源灵活：模型权重可通过 Hugging Face Hub 或 ModelScope 获取，适配国内网络或私有镜像环境。
• 推理后端可替换：依赖 Python 环境与 CUDA GPU 或受支持的推理后端，不绑定单一部署形态。

适用边界与注意点

• 该技能面向技术用户，需要自行准备 GPU 与推理环境，它不提供一个开箱即用的托管 API。
• 上游作者明确说明，由于可用 GPU 类型有限，无法给出高度精确的硬件规格建议；其在 3090、4090、A6000、H800、A100 乃至 4060 等卡上做过测试，但具体表现仍取决于文档质量与模型规模。
• 复杂版面（多栏混排、手写体、低分辨率扫描件）的解析效果仍需实测验证，不宜默认所有文档都能无损转换。
• 如果你的文档已经带有完整文本层且不需要公式或表格重建，直接抽取文本可能比跑一遍 OCR 更省资源。