用途：把 PDF 文件分解为可查询资产（图片、表格、章节），并建立跨文献知识图谱，供 AI 检索与分析。
主要能力：PDF 导入采用双引擎——PyMuPDF 快速轻量，Marker 高精度并产出 blocks.json（含 bbox、polygon、section_hierarchy）；提取图片以 base64 返回，可交 Vision AI 分析；表格转 Markdown；提供动态层级 Section Tree；通过 LightRAG 做跨文献关系查询，并可导出 Mermaid 或 JSON 图谱。
使用方式：以 MCP 工具与资源调用。导入用 ingest_documents(file_paths: list[str], async_mode: bool, use_marker: bool)，异步时用 get_job_status 查进度；结构解析用 parse_pdf_structure(file_path)；资产查询用 list_documents、inspect_document_manifest、fetch_document_asset(doc_id, asset_type, asset_id)；章节导航用 list_section_tree、get_section_detail、get_section_blocks、search_sections；图谱用 consult_knowledge_graph(query, mode)（local/global/hybrid）与 export_knowledge_graph(format, limit)。资源包括 documents://list、document://{doc_id}/outline、figures、tables、sections 及 knowledge-graph://summary。建议流程：先导入，再查 manifest，选定目标后逐项获取资产，最后做图谱查询。
限制：base64 图片体积大，一张约 200KB、折合约 270K tokens，一次只取一张；纯文本 AI 无法分析图片内容，应如实说明。图片 ID 按 fig_{page}_{index} 命名，并非图说编号，需对照 manifest 页码。Marker 模型约 1GB、较慢。知识图谱与章节高级功能需已建立索引或 blocks.json。价格、收费与具体平台支持暂未提供。