Omni Reader 多模态文档解析

解决的问题

多模态资料常分散在 PDF、Office、图片、网页、录音和视频里。工程师要把这些内容变成可检索、可交给 Agent 的文本时，常遇到排版顺序丢失、表格结构被拆散、扫描件无法读取、音视频缺少画面语义等具体问题。

工作方式

omni-reader 将输入解析为 markdown 或 clean text。PDF 与 Office 文档保留阅读顺序和表格结构；图片与扫描件通过 OCR 和视觉理解提取内容；音频使用 ASR 转写；视频结合 ASR、关键帧画面分析和多模态融合。URL 可直接解析，本地文件通过用户指定路径处理。解析状态、结果读取、取消和导出等动作通过 MCP 工具暴露，后端程序也可以走 HTTP API 接入。

适用边界

单次只处理一个文件，单文件上限约 256 MiB。大文件建议拆分，视频建议按 15–30 分钟分段。默认 no_store=true，源文件和结果不上传服务端；但实际解析依赖远程服务，可能受网络、配额、高峰期和服务状态影响。oss:// 等不可直接访问地址应先转为签名 HTTPS URL。