claude-agent-sdk mineru-parser-skill發票識別

不談玄學，只講落地。 我是一名深耕算法工程化一線的實踐者，擅長將 新技術、關鍵技術、AI/ML 技術從論文和 demo 轉化為可規模化部署的生產系統。在這裏,你看不到堆砌公式的理論空談,只有真實項目中踩過的坑、趟過的路,每一篇文章都源自實戰經驗的提煉。我相信技術的價值在於解決真實問題,而不是製造焦慮。如果你也厭倦了"收藏即學會",渴望掌握讓算法真正跑起來的硬核能力,那麼這裏就是你的技術補給站。

摘要

在 AI 驅動的文檔處理領域，Claude Agent SDK 和 MinerU 的結合提供了一個解決方案。Claude Agent SDK 的 Skills 功能讓 AI 能夠調用外部工具和服務，而 MinerU 提供文檔解析能力，支持 OCR 和 VLM（視覺語言模型），可提取 PDF、Word、PPT 等文檔中的文本、表格、公式和結構化內容。 通過將 MinerU 封裝為 Claude Agent SDK 的 Skill，實現了從文檔 URL 到結構化 Markdown 的端到端自動化流程。用户只需提供文檔鏈接和自然語言指令，Claude AI 就能自動調用 MinerU API 完成解析、狀態輪詢和結果提取，最終生成結構化數據。該方案適合發票處理、合同分析、學術論文提取等場景，降低了技術門檻，提升了處理效率和準確性。

核心亮點

  • 智能化工作流：Claude Agent SDK 的 Skills 機制讓 AI 能夠自主決策何時調用 MinerU，實現智能化文檔處理
  • 強大的解析能力：MinerU 支持 OCR 和 VLM 雙模型，能夠處理複雜佈局、手寫文字、數學公式等多種內容
  • 異步流式處理：基於異步編程模型，支持實時反饋和進度追蹤，提升用户體驗
  • 零代碼集成：通過 Skills 配置即可完成集成，無需編寫複雜的 API 調用邏輯
  • 結構化輸出：自動將文檔內容轉換為 Markdown 格式，便於後續分析和處理
用户指令 → Claude Agent SDK → MinerU Skill → MinerU API → 結構化 Markdown

mineru-pareser發票識別

官方文檔

https://platform.claude.com/docs/en/agent-sdk/python

獲取mineru-parser skills

https://github.com/nilecui/mineru-parser-skills

git clone https://github.com/nilecui/mineru-parser-skills.git

1.jpg

python -m venv venv
source venv/bin/activate
(venv) nilecui@DESKTOP-28RSMOM:~/demo/mineru-parser-skills$ pip install -r requirements.txt

註冊mineru服務

2.jpg

需要申請，這裏需要等待幾分鐘，會發送郵箱通知：

3.jpg

然後創建秘鑰就可以了，記得保存秘鑰！

運行demo腳本

# 導入秘鑰
export MINERU_API_KEY= *******
python demo.py

啓動過程

模型用的glm-4.7, 相關配置可參考上篇文章：claude-code 國產glm替代方案, 有時候很快大概20幾步就出現了結果，有時達到了70多個請求；可能和我設計的skills有關，如果再加上python腳本，估計就省掉了再創建python腳本的過程，希望大家多提技巧。 4.jpg 5.jpg

結果

6.jpg

參考： https://platform.claude.com/docs/en/agent-sdk/python https://github.com/nilecui/mineru-parser-skills