SuperAPI AI 工具集
合作ENAI 行业资讯收藏
Skill 广场pdf-asset-extractor

pdf-asset-extractor

办公与效率

查看项目

更新于 10-16 11:17

技能介绍

用途

PDF Asset Extractor 是一组 MCP 工具，目标是把 PDF 文件分解为可查询的资产（图片、表格、章节），并建立跨文献知识图谱。适用于解析论文、分析文档结构、提取图表，以及跨文献比较与 RAG 查询等任务。

主要能力

  • PDF 导入：双引擎自动提取图片、表格、文字。PyMuPDF 为默认引擎，快速轻量（约 50MB）；Marker 为高精度引擎，提供精确 bbox 与 section hierarchy（约 1GB，较慢）。
  • 图片提取：以 base64 返回，支持 Vision AI 分析。
  • 表格提取：转换为 Markdown 格式。
  • 章节导航：动态层级 Section Tree，支持任意深度（需 Marker 产出的 blocks.json）。
  • 知识图谱：跨文献关系查询（LightRAG）。
  • 图谱可视化：导出 Mermaid 图表。

使用方式

文件处理工具

  • ingest_documents：导入 PDF（ETL 流程），参数 file_paths: list[str], async_mode: bool, use_marker: bool。
  • parse_pdf_structure：Marker 结构化解析（单档），参数 file_path: str。
  • get_job_status：查询 ETL 进度，参数 job_id: str。
  • list_jobs：列出所有工作，参数 active_only: bool。
  • cancel_job：取消 ETL 工作，参数 job_id: str。

资产查询工具

  • list_documents：列出所有已处理文件。
  • inspect_document_manifest：查看文件结构（图/表/章节清单），参数 doc_id: str。
  • fetch_document_asset：取得特定资产，参数 doc_id, asset_type, asset_id。

章节导航（需 Marker blocks.json）

  • list_section_tree：显示完整 section hierarchy 树状结构，参数 doc_id: str。
  • get_section_detail：取得特定 section 的详细信息，参数 doc_id: str, section_path: str。
  • get_section_blocks：提取特定 section 的所有 blocks，参数 doc_id: str, section_path: str。
  • search_sections：搜索 section 名称，参数 doc_id: str, query: str。

区块搜索（Marker blocks）

  • search_source_location：在 blocks.json 中搜索特定内容，参数 doc_id: str, query: str, block_types: list。

知识图谱

  • consult_knowledge_graph：跨文献 RAG 查询，参数 query: str, mode: str。查询模式包括 local（细节查询）、global（全局模式）、hybrid（混合模式，推荐）。
  • export_knowledge_graph：导出图谱（JSON/Mermaid），参数 format: str, limit: int。format 可选 summary（统计 + 样本节点，建议 limit 50）、mermaid（建议 limit 20-30）、json（完整节点/边，建议 limit 100+）。

MCP Resources（动态更新）

Resources 会自动更新，可直接浏览文件大纲：

  • documents://list：所有已处理文件列表
  • document://{doc_id}/outline：文件完整大纲（推荐起点）
  • document://{doc_id}/manifest：完整 manifest JSON
  • document://{doc_id}/figures：图片清单（ID、页码、尺寸）
  • document://{doc_id}/tables：表格清单
  • document://{doc_id}/sections：章节层级结构
  • knowledge-graph://summary：知识图谱统计概览

标准操作流程

  1. PDF 导入（ETL）：取得 PDF 绝对路径 → 呼叫 ingest_documents（默认 async_mode=True）→ 使用 get_job_status 追踪进度 → 完成后提供 doc_id。
  2. 查看文件结构：呼叫 list_documents 找到 doc_id → 呼叫 inspect_document_manifest → 列出所有 figures/tables/sections。
  3. 取得特定资产：fetch_document_asset(asset_type="figure"|"table"|"section"|"full_text")。
  4. 知识图谱查询：确认文件已 ingest 且已建立索引 → 选择查询模式 → 呼叫 consult_knowledge_graph。
  5. 知识图谱可视化：选择输出格式 → 呼叫 export_knowledge_graph → Mermaid 格式可直接渲染。

触发条件

  • 「ingest PDF」、「汇入 PDF」、「解析文件」、「分析论文」
  • 「看 manifest」、「文件结构」、「有什么图表」
  • 「取得图片」、「fetch figure」、「拿表格」、「extract」
  • 「知识图谱」、「cross-document」、「比较文献」、「RAG」
  • 「视觉化图谱」、「export graph」、「mermaid」
  • 「章节」、「section」、「导航」、「树状结构」

适用场景

  • 情境 A：分析新 PDF 论文。
  • 情境 B：提取图表。
  • 情境 C：跨文献比较。
  • 情境 D：探索知识图谱。

限制与注意事项

  • 图片 Context 限制：Base64 图片非常大，一次只处理一张。一张图片约 200KB base64，约 270K tokens。建议流程为先 inspect_document_manifest，选定目标图，一次 fetch 一张。
  • 视觉能力提醒：如果 AI 具备 Vision 能力，可直接分析返回的图片；如果是纯文字 AI，应诚实告知无法分析图片内容。
  • 图片 ID 命名规则：系统以 fig_{page}_{index} 命名，非解析图说文字，需手动对照 manifest 页码与实际 Figure 编号。
  • Marker 引擎产出额外数据 blocks.json（结构化区块，含 bbox、polygon、section_hierarchy），支持 Section Navigation 动态层级导航。

Context 预算参考

  • Section（1页）：约 500-1000 tokens，建议优先使用
  • Table：约 200-500 tokens，低成本
  • Figure（base64）：约 200K-500K tokens，一次一张
  • Full text（10页）：约 10K-20K tokens，视需要
  • Knowledge Graph（summary）：约 500 tokens，快速概览
  • Knowledge Graph（mermaid）：约 1K-3K tokens，可视化

输出格式

操作后应回报：文件信息（doc_id、标题、页数）、可用资产（Figures、Tables、Sections 的数量与范例 ID）、知识图谱（节点数、关系数）。