跳转至

产品路线图

状态: Draft 读者: 产品、项目核心开发者、需要理解 Next MinerU 方向的贡献者 范围: 产品定位、能力边界、优先级、阶段节奏 非目标: 展开 API/CLI/SDK 的字段级规格 来源: 由根目录旧 Roadmap 底稿迁移整理而来,当前代码与 docs/next/ 专题文档已核对

1. 产品定位

MinerU 的下一阶段定位是:

MinerU = Agent 时代的文档入口。

MinerU 不做完整 RAG 平台,也不做企业交付套件。它的核心价值是把文档解析、结构化输出、本地缓存、远端高质量解析和 Agent-native 调用入口收敛成一个可靠的基础能力。

MinerU 面向四类产品界面:

界面 形态 面向
mineru PyPI 包、CLI、SDK、Server、MCP 开发者与 Agent
MinerU.app/MinerU.exe 桌面客户端 普通用户
mineru.net Web 体验入口、账号与 API Key 管理
mineru.net/api SaaS API 远程高质量解析后端

其中 mineru 是核心产品形态。桌面端是 mineru 的 GUI 壳;SaaS API 是 mineru 的远程高质量后端;Agent 默认不直接调用 SaaS API,而是通过 CLI + Skill 或 MCP Server 使用 MinerU。

2. 核心原则

2.1 Privacy First

文档隐私是硬约束:默认本地解析,文档内容不离开本机。只有用户显式指定 --remote 或等价远端配置时,才上传到 mineru.net/api。

使用统计与文档内容分开处理。遥测必须透明、可控、可关闭,不包含文档内容、文件名和路径。CLI/GUI 首次启动应要求用户选择;SDK、Server、CI 等无 tty 场景默认关闭。

遥测分级和当前 doclib CLI 管理入口见 Telemetry 设计。当前 P0 约束是:doclib server 负责 telemetry 状态、聚合与 flush;mineru telemetry status/preview/enable/disable/flush 负责用户侧审阅和切换;mineru-kit 作为纯工具不承担 telemetry 能力。

2.2 For Agent

Agent 使用场景是下一阶段的设计原点。CLI、SDK、MCP 和输出格式都应优先支持确定性、结构化、可自动恢复的工作流。

关键要求包括:

  • 结构化输出,而不是只能解析 free-text。
  • 确定性错误码,并提供修复建议。
  • 支持 token-budgeted 输出和 continuation。
  • 支持可寻址 page/block locator,便于 citation 和回溯。
  • 支持按页、区域、类型过滤,减少不必要的解析和上下文占用。

2.3 易用优先

开发者应能通过 pip install mineru 或 uv 快速安装。普通用户应能通过 Agent + Skill 或桌面端零配置使用。默认路径要简单,进阶能力通过显式参数开启。

2.4 SaaS 只做高质量后端

SaaS 不承担 MinerU 的全部产品体验。它的定位是高质量、可扩展的远程解析能力,通过统一 API 为 CLI、SDK、MCP 和开发者服务。

2.5 数据驱动但不被指标绑架

路线图以 WAI(Weekly Active Installs,每周至少完成一次成功 parse 的 install 数)作为北极星指标,同时跟踪解析成功率、tier 分布、错误码、留存和调用来源。

解析质量、社区反馈和代码质量不能只靠 dashboard 判断,仍需要人工评测、review 和专项回归。

健康度面板按以下维度设计:

维度 指标 数据来源
采纳 累计 install、WAI telemetry installation_id 跨周出现(install/startup 专属事件为目标行为,暂未实现)
使用质量 解析成功率,按 tier / 文件类型分组 parse.finished.count 的 status / tier 维度;文件类型分组为目标行为,暂无对应维度
能力分布 tier 选择分布 parse.finished.count / parse.pages.count 的 tier 维度
错误信号 Top 错误码周分布 parse.finished.count 的 error_code 维度
留存 install 4 周后回访率 installation_id 跨周存在
渠道 Agent 调用占比 parse.request.count 的 source / caller 维度,例如 Skill / MCP / SDK / CLI

Review 节奏:P0 攻坚期双周 review,产品稳定期月度 review。对外只公开累计 install、累计 parse 等入口叙事指标;留存率、错误率等早期容易被误读的数据默认内部使用。

P0 项目上线前必须定义成功标准。当前基线如下:

项目 验收指标
Skill 决策树 eval 集 100 题 Agent 首选正确率不低于 85%
Middle JSON 统一 统一 schema validation 通过;同输入 page/block locator 跨进程一致
文档库 SHA256 缓存 二次 parse 相同输入 P95 响应小于 100ms;缓存命中率不低于 60%
Agent-native 输出 端到端 5 个 Agent 真实任务场景成功率不低于 80%
Telemetry 改进计划 CLI / GUI 首次启动基础遥测 opt-in 率不低于 40%
Privacy First 遥测字段经审阅不泄露文档内容、文件名或路径

mineru 主命令、--remote 远程切换、统一 REST API 等基础设施项目,以功能完成和集成测试通过为验收。

3. 能力边界

MinerU 坚守“文档入口”定位。以下能力不内建到核心项目:

不做 交给
文档 chunking 策略 LangChain / LlamaIndex 等生态层
embedding 与向量化 向量库和下游应用
chat with PDF Agent 或应用层
RAG pipeline 生态层
内容 summary 下游 LLM
向量库 生态层
Agent 框架 生态层
prompt 模板 生态层

商业交付也不作为当前路线图目标:

不做 说明
Enterprise tier 不做官方企业版产品分层
带 SLA 的私有化交付 开源可自部署,但官方不提供商业交付通道
合规认证 不承诺 SOC2、HIPAA、GDPR、等保等认证
企业定制支持 不作为当前产品路线的一部分

4. 产品界面与通道

4.1 Agent 双通道

Agent 使用 MinerU 有两条通道:

通道 定位 默认建议
CLI + Skill Agent 直接操作本地文件系统时的推荐通道 默认使用
MCP Server 需要标准工具发现、跨平台协议或远程 Agent 调用时使用 P1 补齐

两条通道底层共享同一 SDK。本地解析是默认行为,远程解析需要显式选择。

4.2 本地能力中心

pip install mineru 安装的是本地文档能力中心,包含:

能力 优先级 说明
CLI P0 mineru 与 mineru-kit 命令
Python SDK P0 本地解析与远端调用的编程接口
文档库 P0 SQLite + SHA256 去重缓存
Server P0 基础 / P1 完整 本地后台进程、任务队列、后续扩展 UI/MCP
搜索 P0 文件名与内容检索,属于 watch、rules、search 主链路
桌面端 P1 CLI 的 GUI 壳

解析能力通过 flash、basic、standard、advanced 暴露;用户未指定 tier 时使用默认选择策略。tier 的用户语义、硬件边界和质量策略见 解析 Tier。

命令分工:

命令 面向 定位
mineru 普通用户、Agent 文档管理中心;叠加本地数据库、缓存、搜索和远程切换
mineru-kit 解析内核、批处理开发者 无状态解析工具和服务工具;当前包含 parse、api-server、vlm-server、router、models 等专家入口

Skill 默认只暴露 mineru,避免普通 Agent 用户过早接触底层工具命令。

4.3 SaaS 能力

SaaS 的首要目标是远程高质量解析。匿名用户和注册用户使用同一质量等级,差异只体现在配额和限速机制:

用户 身份识别 配额
匿名用户 IP 较低基础配额
注册用户 API Key 更高配额

--remote 上传的数据默认不用于训练。上传文件和解析结果按有限留存期保存,训练授权和质量样本捐赠必须是用户主动 opt-in。

默认数据政策:

数据类型 留存期 用户访问 用于训练
上传文件 30 天 不作为长期资料库 否
解析结果 30 天 30 天内可下载 否
匿名 metadata 长期聚合保存 不暴露单条明细 否,仅用于产品分析和聚合统计

留存期满后,用户文件与解析结果自动删除。训练授权和质量样本捐赠是两条独立 opt-in 通道:训练授权在用户中心开启;质量样本捐赠由用户针对单次解析主动触发。

5. 技术主线

5.1 Agent-native 输出

P0 阶段需要优先交付 Agent 可可靠消费的输出能力:

  • 统一 message contract。
  • typed error code 和修复建议。
  • token-budgeted 输出和 continuation。
  • 稳定 page/block locator。
  • 页面、区域和类型过滤。
  • Skill 决策树。
  • SHA256 内容寻址缓存。

这些能力依赖 Middle JSON 的最小统一子集:稳定 page/block locator、page、bbox、type,以及能区分 unknown bbox 与非法 bbox 的校验规则。

5.2 Middle JSON 统一

当前公开对象已从历史 pdf_info 收敛到 schema_version + pages 的顶层结构(schema 2.0),并由 PageInfo、Block、InlineSpan 等严格模型表达;历史 pdf_info 与 schema 1.0 payload 由 ParseResult.from_dict() 与 doclib compaction 的运行时 legacy 分支单向回推为 raw model-list 后重走统一后处理。Pipeline、VLM、Hybrid、Office、HTML 等来源仍存在 block type、span 粒度和内部后处理流程差异。P0 需要推动 canonical schema、validator、locator 和内容生成逻辑继续收敛,最终消除 model_json_to_middle_json 统一构造与 render 统一输出管线之外的重复 output builder 逻辑。

详细设计见 Middle JSON。

5.3 模型与插件生态

MinerU 的核心竞争力不只在单个模型,而在:

  • 中间结构规范。
  • pipeline 编排与多模型融合。
  • CLI、SDK、Skill 和 Agent-native 体验。
  • 中文与学术场景的持续优化。
  • 一站式安装与运行体验。

模型策略采用混合路线:官方维护核心模型 adapter 和精选第三方 adapter,社区 adapter 独立演进。官方不提供商业模型 plugin,但允许用户自带 API key 实现 adapter。

6. 阶段优先级

P0: 本地能力中心 MVP + 远程入口

P0 目标是让 Agent 和开发者可以稳定地把 MinerU 当作文档入口使用。

交付物:

  • mineru / mineru-kit 双命令。
  • Skill 配套发布。
  • Agent-native 输出能力。
  • --remote 一键切换远程高质量解析。
  • 统一 REST API 在 mineru.net/api 服务端落地。
  • Pipeline / VLM / Hybrid / Office / HTML 等来源的 Middle JSON 对齐。
  • SQLite + SHA256 文档库缓存。
  • 完整 watch、rules、search 主链路。
  • Telemetry 设计,包括字段、开关、默认值、隐私边界和上报时机。
  • Privacy First 首次选择与匿名统计机制。

验收方向:

  • Agent 真实任务成功率。
  • middle_json schema validation。
  • page/block locator 跨进程稳定性。
  • 相同输入二次 parse 缓存命中响应。
  • watch 能发现文件、rules 能触发解析策略、search 能返回可用结果。
  • telemetry 字段不泄露文档内容。
  • telemetry 已形成 Telemetry 设计,P0 需要完成字段、开关、默认值、隐私边界和上报时机的实现验收。

P1: Server、SaaS 提速、桌面端

P1 在 P0 的本地能力中心上扩展完整体验:

  • Server 扩展 Web UI 和 MCP Server。
  • SaaS 推理速度优化,包括小模型替换、分辨率策略和端到端延迟优化。
  • MinerU.app/MinerU.exe 桌面客户端。

P2: 生态完善

P2 聚焦生态适配:

  • LangChain document loader。
  • LlamaIndex reader。
  • 更多社区 adapter 和集成示例。

与其他文档的关系

未决问题

Roadmap、评测、其他公开范围和 P0/P1/P2 边界相关问题,集中维护在 开放问题清单。

本页原文 Markdown:在 AtomGit 查看·内容源自开源项目 mi/MinerU