vault backup: 2026-11-07 16:33:44

Clippings/attach/arrow_down_regular.svg

@@ -0,0 +1,3 @@
+<svg width="24" height="12" viewBox="0 0 24 12" fill="none" xmlns="http://www.w3.org/2000/svg">
+<path fill-rule="evenodd" clip-rule="evenodd" d="M17.4193 2.4541L18.48 3.51476L12.7011 9.29366C12.311 9.68378 11.6819 9.68724 11.2883 9.29366L5.50942 3.51476L6.57008 2.4541L11.9947 7.87872L17.4193 2.4541Z" fill="black"/>
+</svg>

Clippings/为什么越来越多人用 MinerU？.md

@@ -0,0 +1,169 @@
+---
+title: "为什么越来越多人用 MinerU？"
+source: "https://mp.weixin.qq.com/s/dDW3KUNFkBf-o8yy-yjQYg"
+author:
+  - "[[鹏磊]]"
+published:
+created: 2026-10-21
+description:
+tags:
+  - "clippings"
+---
+鹏磊 架构师专栏 *2026年10月21日 11:13*
+
+![图片](https://mmbiz.qpic.cn/sz_mmbiz_png/v5ssib16QE9pUFOBcqwGRvp1vGLRwVMBx2lKA1jv5y6rmYDBjo4OwAqbgjf4KxNWgJicfHqt2Sic0f1sWPOeJMAkMrAWfqU0zzicic5a3dibkXnicU/640?wx_fmt=png&from=appmsg&wxfrom=5&wx_lazy=1&tp=webp#imgIndex=1)
+
+质保 30 天不掉订阅，掉订阅，按天退差价
+
+MinerU 是上海 AI 实验室 OpenDataLab 团队开源的一款文档解析软件，做的事儿很简单：就是把 PDF、扫描件、图片、Office 文档等转换为 Markdown 和结构化的 JSON，并且直接输入到 RAG、知识库或者自己设计的清洗流程中去。目前 GitHub 上已经有 8.2 万个 star，这样的数量级，在文档解析项目中是很少见的
+
+和 pdfplumber 那样只提取文本内容不是一回事。公式输出为 LaTeX 格式，表格输出为 HTML 格式，标题、图片、页脚都有相应的类型和坐标信息，该模型可以全部下载到本地运行，在不离开内网的情况下也可以进行数据处理
+
+上个月为一家做 RAG 的公司清理标书，有 2000 多个 PDF 文件，双栏、跨页表格以及 LaTeX 公式一应俱全。第一版使用了 pdfplumber 来提取文本内容，但是由于读取顺序被打乱，所以表格变成了一个只有一列数字的表格。换作使用 MinerU 运行一晚上的时候，在第二天 structured\_content.json 文件中就会看到表格已经变成了 HTML、公式也变成了 LaTeX，并且标题层次依然存在。那会儿我就明白了它为什么会传播得那么快
+
+## 它所要解决的问题并不是抽离出文字来，而是要把版面还原出来
+
+传统库只能根据字符坐标的大小来判断数据之间的关系，并不能够理解到语义。双栏论文按照行来阅读就会出现串栏的情况，页眉、页脚混入到正文中去，表格没有行列之间的关系，在进行扫描之后也无法得到任何信息
+
+MinerU 的做法是把每一页的 PDF 渲染成图片，然后进行版面检测，把标题、正文、表格、图片、公式、页眉页脚等都分离开来，并按照阅读顺序重新排列。表格走结构识别输出 HTML，公式走识别模型输出 LaTeX，扫描件再叠一层 OCR
+
+该链条在 4.0 的时候被分成四个等级，并且质量、价格都可以自己选择
+
+| 档位 | 实际跑什么 | 典型用途 |
+| --- | --- | --- |
+| flash | 原生文本解析 + Flash OCR | 建索引、预览、Office 文档 |
+| basic | ONNX 或 Torch 小模型 | 纯 CPU、扫描件、公式表格 |
+| standard | 小模型 + 1.2B VLM | 复杂版面，默认档 |
+| advanced | 同模型，更多推理计算 | 高价值文档 |
+
+标准档背后是 MinerU2.5-Pro-2605-1.2B。模型不大，但是它被用来对文档进行解析的任务上训练过的，并不是用一般的多模态通用模型来套用的。我认为最核心的是专用的小模型，在版面中更加稳定，而且显存可以节省很多
+
+## 命令行三分钟跑通
+
+4.0 安装包和 2.x 完全不相干，请不要再按照老教程来安装 core、pipeline 等 extra，已经全部失效
+
+```
+# 基础包：ONNX + llama.cpp，CPU 和 Apple Silicon 够用
+uv pip install -U "mineru>=4.0,<5"
+
+# 有 NVIDIA 卡、要高吞吐再上 full，Linux 会自动装 vLLM
+uv pip install -U "mineru[full]>=4.0,<5"
+
+# 国内网络先把模型源切到 ModelScope，否则首次下载模型能卡到怀疑人生
+export MINERU_MODEL_SOURCE=modelscope
+```
+
+安装完毕之后使用 `mineru-kit models show` 来查看一下实际生效后的后端情况，否则你会认为自己是在运行 GPU，实际上却一直在消耗 CPU。解析命令有两处入口，行为不同。 `mineru-kit parse` 是无状态的，默认情况下会把整个文档解析出来； `mineru parse` 是一个文档库客户端，PDF 默认只读前 10 页
+
+```
+# 单文件转Markdown，standard档：小模型+VLM
+mineru-kit parse paper.pdf -o paper.md --tier standard
+
+# 批量目录出 zip；显式 --pages all，绕开两个入口的默认值差异
+mineru-kit parse ./docs -o ./out --format zip --pages all
+
+# 只是入库检索，flash 档不跑 VLM，速度快一个量级
+mineru-kit parse manual.pdf -o manual.md --tier flash
+```
+
+## 代码中如何连接
+
+从 Python 语言的角度来看，4.0 版本把无状态入口收进了 mineru.parser 里面，并且 parse、parse\_async 都是对外开放的
+
+```
+from pathlib import Path
+from mineru.parser import parse
+
+# tier 决定了成本：flash 走原生文本，standard 才拉小模型加 VLM
+result = parse(
+    "paper.pdf",
+    tier="standard",
+    ocr_mode="txt",      # 文本型 PDF 不做 OCR，扫描件换成 ocr
+    page_range="1-20",   # 页码从 1 开始，闭区间
+)
+
+# markdown() 给人看，to_json() 给程序用，来自同一次解析
+Path("paper.md").write_text(result.markdown(), encoding="utf-8")
+Path("paper.json").write_text(result.to_json(), encoding="utf-8")
+```
+
+批量任务使用异步入口，注意一个坏文件不会把整批都拖垮
+
+```
+import asyncio
+from pathlib import Path
+from mineru.parser import parse_async
+
+asyncdefmain():
+for pdf insorted(Path("./docs").glob("*.pdf")):
+try:
+# 已经处在事件循环里就直接 await，不要外面再套一层
+result = await parse_async(str(pdf), tier="standard")
+Path(f"./out/{pdf.stem}.md").write_text(result.markdown(), encoding="utf-8")
+except Exception as exc:
+print(f"{pdf.name} 解析失败: {exc}")
+
+asyncio.run(main())
+```
+
+## 有三种部署方式可以选用，根据团队大小来选择
+
+一个人使用的话，就直接命令行模式，不要设置为服务，模型下载一次之后就结束
+
+两个或者几个业务需要共享同一个模型，并且起 V1 API，模型只加载一次，比每个进程各自使用一份显存要划算得多
+
+```
+# V1 API，接口都在 /v1/*，旧的 /file_parse 和 /tasks 在 4.0 已经删了
+mineru-kit api-server --host 0.0.0.0 --port 8000 --tier standard
+
+# 多卡或多机，router 统一入口，按 --local-gpus 自动拉 worker
+mineru-kit router --host 0.0.0.0 --port 8002 --local-gpus auto
+```
+
+客户端可以复用同一个解析器实例，能力发现、上传、轮询、下载都包含在内，每次调用都会自己打开和关闭会话，并且不需要手动释放
+
+```
+from mineru.parser import MinerUApiParser
+
+# api_url 填 /v1 之前的根地址，密钥走 MINERU_API_KEY，别写死在代码里
+parser = MinerUApiParser(api_url="http://127.0.0.1:8000", tier="standard")
+print(parser.parse("contract.pdf").markdown())
+```
+
+第三种是使用 Gradio 做前端界面， `mineru-kit webui` 起一个，给不会用代码的同事来做人工校验。不要把生产当作接口来使用，它只是一个可视化的外壳
+
+## 真正能够留住人的就是那些中间产物
+
+很多解析服务只会给你一份 Markdown，看上去很美，但是下游无法使用。除了 Markdown 之外，MinerU 还保留了 middle.json 和 structured\_content.json 两个文件，其中每个块都有 type、page\_idx、bbox 等字段
+
+这就意味着你能够自己编写切片逻辑：表格块整体进入向量库，公式块单独抽取出来进行检索，页眉和页脚按照坐标进行过滤。RAG 中最让人头疼的“表格被分割了”的问题，在这层就可以解决了
+
+```
+# structured_content 按页给块、按块切比按字符切靠谱得多
+for page in result.structured_content()["pages"]:
+for block in page["blocks"]:
+if block["type"] == "table":
+store_table(block["content"])     # 表格 HTML，行和列的关系仍然存在
+elif block["type"] == "equation":
+store_formula(block["content"])   # LaTeX
+```
+
+## 在什么样的情况下不要使用它
+
+纯文本 PDF，只要文字不要结构，使用 pypdf 后几十毫秒就可以完成任务，上 MinerU 是拿高射炮打蚊子
+
+对于延迟非常敏感的在线接口也不适合，standard 档一次解析是秒级到十几秒级，老老实实做异步任务队列
+
+另外还有一个坑要提一下，在 3.1 版本之后，许可证就变成了基于 Apache 2.0 的 MinerU 开源许可证，相比之前的 AGPL 时代更加舒适一些。但是使用之前还是要看一下 LICENSE.md 文件，不要相信别人的一句“随便用”。
+
+## 我的判断
+
+MinerU 热门并不是因为它的榜单第一，而是在于它可以做到以下三点：可以进行私有化部署、可以批量运行、可以产出结构化的中间结果。做 RAG 的团队里最缺乏的东西并不是再去调用一个云上的 API，而是在于对数据入口的控制
+
+我使用的办法是先用 flash 全量跑一遍来做索引，命中率高的文档再走 standard 重解析，可以降低成本一半以上。这套组合拳要比无脑全量 standard 务实性强一些
+
+至于它是“最好的”解析器吗？我不会得出这样的结论。但是在我所接触过的项目中，它是我目前少数能够掌握住整个数据链条的工具
+
+我是鹏磊，持续分享 AI 编程干货，今天就到这里，我们下期见
+
+质保 30 天不掉订阅，掉订阅，按天退差价

Clippings/提升自己的思维和讲话能力 20 张图解.md

@@ -0,0 +1,109 @@
+---
+title: "提升自己的思维和讲话能力 20 张图解"
+source: "https://mp.weixin.qq.com/s/Qnf7_3IgN98ifuDzGLeMuQ"
+author:
+  - "[[李正高]]"
+published:
+created: 2026-11-04
+description:
+tags:
+  - "clippings"
+---
+李正高 李正高 *2026年11月2日 23:11*
+
+思路不清晰，表达不出来，有功劳也说不出来，自己感觉什么都知道，就是说不出来，怎么办？
+
+其实通过这样的互动，也越来越认识到问题所在，通过不断调整和迭代，才能成为自己。
+
+晚上复盘，就分享这些我手绘图。
+
+![[Image.webp|图片]] ![[Clippings/attach/Image.jpg]]
+
+提升思维小册子，讲话小册子，总计发货二册，发顺丰快递
+
+7天无理由
+
+¥138
+
+已售17
+
+![[fae7be51-beb6-4e61-aad8-4c1f7ccfab83.png]]
+
+李正高小店
+
+![[arrow_down_regular.svg]] 收起
+
+使用手机微信
+
+扫码了解商品信息
+
+![[Clippings/attach/Image 1.jpg|图片]] ![[Clippings/attach/Image 2.jpg|图片]] ![[Clippings/attach/Image 3.jpg|图片]] ![[Clippings/attach/Image 4.jpg|图片]] ![[Clippings/attach/Image 5.jpg|图片]] ![[Clippings/attach/Image 6.jpg|图片]] ![[Clippings/attach/Image 7.jpg|图片]] ![[Clippings/attach/Image 8.jpg|图片]] ![[Clippings/attach/Image 9.jpg|图片]] ![[Clippings/attach/Image 10.jpg|图片]]
+
+这些图，都是我根据自己工作存在的问题和一些读者的反馈，我进行优化和迭代的。
+
+还有手绘了图解。
+
+重点是帮助你理解你吸收。
+
+晚上就是复盘一下，自己还是没有睡着，看着一些自己比较喜欢的内容，还是分享出来。
+
+有目标，有路径，有模板，可训练，就好。
+
+今天最大的触动就是，一定要有目标感，有目标以后，就会有下一步行动路径。
+
+也许第一个行动方案不行，但是你通过验证后，就会有新的收获。
+
+只要你行动了。就会有收获。
+
+晚上我是用手机打字的，随笔，简单的，把自己想说的话，记录一下就好。
+
+用达尔文的进化论来指导自己进化，我这些手绘，在进化🧬─=≡Σ(((つ•̀ω•́)つ。  
+  
+因为每天都要赶时间，交付，只能简笔画是最好的，也容易出现意境。  
+  
+每一张虽然简单，但是我画这些很容易进入心流的状态。  
+  
+这也让我想起月亮和六便士的故事，主人翁也是画画的方式去追梦♫(｡◠‿◠｡♫)。  
+  
+画这的是一个好工具，画简笔画，画思维导图，都可以。这里只是辅助，不谈艺术作品创作。仅限日常工作中的运用。  
+  
+临在当下，进入心流的任何一种方式都可以治愈自己。  
+  
+其实我画简笔画的时候，也是很治愈自己的过程(╹◡╹)✏️。  
+  
+明天继续进化🧬！
+
+怎么从一个业务骨干，技术骨干，跨越到项目负责人，部门负责人，或者分局负责人，这是一个很大的跨越，重点还是思维上的固化的突破，到成长型思维的跨越。今天文章已更新🆕  
+还有表达方式的改变，都是可以训练来改变的。文章模板也有更新。
+
+当自己意识不到这个问题存在的时候，你是不觉得有问题的。  
+  
+当别人说了你有问题，你也不会承认问题的存在的。  
+  
+心里就是这样奇怪🤔  
+  
+当你意识到自己有问题的时候，但是不知道具体问题是什么？你希望有人给你反馈的时候。  
+  
+这个时候，你把问题说出来，你们才能产生同频共振。  
+  
+不然就是两条平行线。不会有交集的，更不会同频。  
+  
+有人给你反馈，有些反馈是真问题，有些反馈视角不一样，你还是意识不到，盲区就是很多。  
+  
+你是处于开放的状态，把你的问题原原本本的说出来，哦，原来是这个问题的存在呀。  
+  
+你不知道，并不代表问题不存在。  
+  
+不可知论。  
+  
+最近在反思写作？  
+  
+我真的会写吗？  
+  
+会的话？停止探索新思路了。  
+  
+不会的话？就会无穷无尽地去探索不可知。  
+  
+保持好奇心，去探索未知，不可知。  
+  
+永远年轻，永远热泪盈眶ฅ՞•ﻌ•՞ฅ\[爱心\]

Clippings/知乎收藏夹里的好东西，如何一键自动转存.md

@@ -0,0 +1,302 @@
+---
+title: "知乎收藏夹里的好东西，如何一键自动转存"
+source: "https://mp.weixin.qq.com/s/R1p6ZiiR79nXcBsbv8wtiA"
+author:
+  - "[[IX]]"
+published:
+created: 2026-08-20
+description: "书到用时方恨少，那你快把 Skills 装好"
+tags:
+  - "clippings"
+---
+IX Renaissance Lab *2026年8月1日 23:45*
+
+KNOWLEDGE · WORKFLOW2026.08
+
+收藏了，就等于拥有了？
+
+把旧知识送回工作现场
+
+修好收藏与使用之间的路
+
+本地知识库 · AI 阅读 · 人来判断
+
+rl-zhihu-sync
+
+OPEN SOURCEOBSIDIAN
+
+📦 3 Key Points
+
+👉 导读
+
+PART 01
+
+断掉的链路
+
+收藏为何失效
+
+PART 02
+
+新的工作流
+
+AI 参与调用
+
+PART 06
+
+开始使用
+
+安装与同步
+
+我在知乎收藏了 460 篇内容。
+
+它们曾经让我产生一种错觉：这些东西已经属于我了。
+
+但真正写文章、做方案、研究问题的时候，我还是想不起来，也找不到。
+
+最后只能重新搜索、重新阅读、重新判断。
+
+所以，收藏的知识其实一文不值。
+
+只有当它再次参与你的判断、创作和工作时，它才开始产生价值。
+
+而收藏和使用之间，一直缺了一条链路。
+
+01
+
+PART
+
+过去，这条链路是断的
+
+BROKEN · 失效的调用路径
+
+假设你正在写一篇关于“长期主义”的文章。
+
+你隐约记得，自己以前收藏过几个非常好的回答。
+
+接下来会发生什么？
+
+你打开知乎，翻收藏夹。
+
+找不到。
+
+你换关键词搜索，搜出来的又不是当时那一篇。
+
+然后你开始怀疑：它究竟是在知乎、微信公众号、小红书，还是某个已经关掉的浏览器标签里？
+
+十几分钟过去，你放弃了。
+
+最后还是打开搜索引擎，从头再来。
+
+过去的链路是
+
+遇到问题 → 隐约记得自己看过 → 打开不同平台寻找 → 重新阅读和筛选 → 找不到 → 从头搜索
+
+你过去花在阅读和筛选上的时间，几乎没有进入下一次工作。
+
+你不是没有知识。
+
+你只是没有一条把知识送到工作现场的路。
+
+02
+
+PART
+
+安装 Skill 之后，这条链路变了
+
+WORKFLOW · 新的知识调用
+
+我写了一个开源工具： **rl-zhihu-sync** 。
+
+它可以把知乎收藏夹里的内容同步到本地，转换成 Markdown 文件。
+
+我的 460 篇知乎收藏，已经全部进入 Obsidian。
+
+这一步的意义不只是“备份”。
+
+当这些内容变成本地文件以后，它们就有机会进入一条新的链路：
+
+遇到问题 → 搜索本地收藏 → 找到过去筛选过的材料 → 让 AI 阅读、比较和提取 → 人来判断 → 形成文章、方案或者决策
+
+比如，我可以把与某个主题有关的收藏找出来，让 AI 帮我回答：
+
+1
+
+这些文章有哪些共同观点？
+
+2
+
+哪些观点彼此冲突？
+
+3
+
+哪篇文章提供了真正的证据？
+
+4
+
+哪些内容适合放进我正在写的方案？
+
+5
+
+我过去关注这个问题时，有没有反复出现的判断？
+
+过去，我只能一篇篇翻。
+
+现在，我可以先让 AI 阅读，再把自己的时间放在判断上。
+
+这才是这个工具真正想创造的东西：
+
+让过去收藏的内容，重新参与今天的工作。
+
+03
+
+PART
+
+它在做的，是一层基础设施
+
+INFRASTRUCTURE · 铺好调用的路
+
+**rl-zhihu-sync** 不会自动把你变成一个更有知识的人。
+
+它也不会替你完成思考。
+
+它做的是更靠前、也更基础的一步：把原本被关在平台里的内容，变成可以搜索、读取和继续处理的本地材料。
+
+有了这一层，后面的很多事情才有可能发生：
+
+✓ 让 AI 从过去的收藏中寻找答案；
+
+✓ 把相关内容组合成专题；
+
+✓ 对多个作者的观点进行比较；
+
+✓ 为文章和方案寻找素材；
+
+✓ 发现自己长期关注的问题；
+
+✓ 建立属于自己的研究语料库。
+
+同步本身不是终点。
+
+它是在修一条路。
+
+以后你遇到真实问题时，过去读过的内容可以沿着这条路，重新回到你的工作里。
+
+04
+
+PART
+
+哪些人适合使用？
+
+FIT · 谁会获得最大价值
+
+这个工具更适合三类人。
+
+01收藏很多，但经常找不到的人
+
+如果你的知乎收藏夹里已经有几百篇内容，那么你真正缺少的可能不是更多内容，而是把旧内容重新调出来的能力。
+
+02需要持续输出的知识工作者
+
+写作者、研究人员、咨询顾问、产品经理、运营人员，都会反复处理相似的问题。过去筛选过的资料如果能够再次使用，会直接减少重复搜索和重复阅读。
+
+03已经在用 AI 重构工作流的人
+
+如果你的 AI 能够读取本地文件，或者能通过 MCP 访问你的知识库，这些收藏就不再只是供人翻看的文章，也可以成为AI 工作流的输入材料。
+
+它会放大的，是你原本就有的能力：
+
+你筛选信息的判断力；你过去积累的阅读量；你提出问题的能力；你把材料转化成结果的能力。
+
+你过去积累得越多、输出得越频繁，这条链路的价值就越大。
+
+05
+
+PART
+
+哪些人不适合？
+
+BOUNDARY · 工具的边界
+
+如果你很少使用知乎，也没有多少收藏，这个工具的价值不会特别大。
+
+如果你只想把内容搬到另一个地方继续囤着，它也解决不了问题。
+
+如果你希望安装以后，AI 自动读完所有文章、建立知识体系、替你完成思考，那它也做不到。
+
+它创造的是“可以被使用”的条件。
+
+至于最后能不能创造价值，仍然取决于你拿它解决什么问题。
+
+另外，工具需要读取本机 Chrome 中的知乎登录信息，并在本地缓存 Cookie。不能接受这种方式，或者电脑中存在敏感账号环境，就不建议安装。
+
+06
+
+PART
+
+怎么使用？
+
+TUTORIAL · 安装与同步
+
+项目已经开源：
+
+https://github.com/RenaissanceLab-cj/rl-zhihu-sync
+
+安装
+
+...bash
+
+pip install git+https://github.com/RenaissanceLab-cj/rl-zhihu-sync.git
+
+同步
+
+...bash
+
+zhihu-sync \\
+
+　-c "知乎收藏夹地址" \\
+
+　-n "收藏夹名称" \\
+
+　-o "本地文件夹路径"
+
+同步完成后，你可以直接在 Obsidian 里搜索。
+
+如果你的 AI 工作台能够访问这个目录，还可以继续设计检索、阅读、比较和写作的工作流。
+
+！当前边界 🕳
+
+部分无法正常获取的文章可能只保存标题和摘要，图片目前也不会下载到本地。具体边界和更新记录以 GitHub 为准。
+
+///
+
+LAST
+
+收藏不是积累，调用才是
+
+CONCLUSION · 写在最后
+
+我们已经进入了一个不缺内容的时代。
+
+每天都有新的文章、新的视频、新的工具出现。继续收藏很容易，难的是让过去看过的东西，在真正需要的时候重新出现。
+
+**rl-zhihu-sync** 现在只打通了知乎收藏夹。
+
+但它验证了一种可能：
+
+平台负责帮我们发现内容；本地知识库负责保存材料；AI 负责阅读和组织；人负责提出问题、判断和创造。
+
+我想继续做的，也是这一类基础设施。
+
+不是再制造更多信息，而是让我们过去付出时间筛选过的信息，终于可以被重新使用。
+
+既然看到这里了，如果觉得有用，随手点个赞、在看、转发三连吧。
+
+点赞
+
+在看
+
+转发
+
+THANKS FOR READING
+
+AI自习室 · 目录