Agent Skills
返回列表
💻

Kreuzberg 混合文档结构化提取

开发编程 更新于 2026.08.29

将以下提示词粘贴到你的 AI 对话框中：

请根据 https://skillhub.cn/install/skillhub.md，安装 @user_3c6cb52e/extract-structured-text-metadata-tables-and-images-from-mixed-documents-through-an-mcp-server-with-kreuzberg

技能介绍

问题背景

混合文档处理长期面临三重割裂：格式异构（PDF/Office/图片/HTML 等）、数据异构（文本/元数据/表格/图像混杂）、接口异构（不同解析工具提供不同 API）。传统方案要么绑定单一格式库，要么通过多段脚本拼接处理流程，导致 下游 Agent 难以获得统一的数据视图。

核心能力与工作流

本技能通过 MCP 服务器将 Kreuzberg 的文档解析能力封装为标准化工具接口，核心步骤包括：

  1. 统一输入层：支持 PDF、DOCX、XLSX、PNG、HTML 等 20+ 格式，通过文件路径或二进制流输入
  2. 结构化输出：

- 文本：保留段落结构与样式信息（如 **bold**、_italic_）
- 元数据：作者、创建时间、页数等文档属性
- 表格：检测并提取 <table> 结构，保留行列关系
- 图像：OCR 识别后的文本与坐标信息

  1. MCP 集成：暴露 extract_document 等工具方法，兼容 Claude Desktop、VS Code Copilot 等 MCP 客户端

适用边界与注意点

  • 依赖 Kreuzberg 环境：需预先安装 Kreuzberg 或容器镜像，支持 Rust/Python/Ruby 等多语言绑定
  • 性能边界：复杂表格（如合并单元格）和手写体 OCR 存在精度损失，建议对关键数据人工复核
  • 扩展限制：当前未内置多语言 OCR 模型切换，需通过 Kreuzberg 配置层自定义
  • 适用场景：适合文档归档、知识库构建、合规审计等需结构化输出的场景，非实时流处理场景

使用场景

  • 法务人员需要从上百份格式各异的PDF和Word合同中，批量提取乙方名称、签约日期和违约条款等关键元数据，用于后续合规审查。
  • 数据分析师收集了包含复杂表格的HTML与Excel财报，需要将其统一转化为结构化JSON，以便存入数据仓库进行分析。
  • 研发工程师正在构建企业知识库，需要通过MCP接口让大模型自动解析用户上传的扫描件图片与Office文档，提取正文与表格内容。
  • 档案管理员面对历史遗留的混合格式文件，需要批量识别并提取其中的图像和文字信息，完成资料的数字化归档。

适合人员

  • 企业后端工程师：需要在现有系统中集成MCP工具，让AI自动化处理用户上传的各类杂乱文档并返回结构化结果。
  • 知识库开发负责人：负责构建企业内部知识检索系统，需要将历史遗留的PDF、图片等非结构化数据转化为可被大模型索引的格式。
  • 数据处理工程师：日常需要清洗和汇总多源头的财务报表与业务文档，希望用统一接口替代现有的多套格式解析脚本。
  • 自动化测试工程师：需要为文档解析模块编写测试用例，通过MCP接口模拟不同格式文档的输入，验证结构化提取的准确性。