文档解析服务

医生摄入mcp

doc-ingest-mcp 将凌乱的本地文档转化为代理可以信任的稳定捆绑包。这个想法很简单：给它一个PDF、DOCX或图像，每次都会得到相同的五个工件，无论你是从CLI、批处理模式、监视模式还是MCP调用它。

为什么存在

• 代理需要可预测的文档输入，而不是每种文件类型都需要不同的解析器形状。
• 团队需要在确定性烟雾路径和真实解析器路径之间进行明确划分。
• 当每个文件都进入自己的输出包时，批处理工作流会更优雅地失败。

后端模式

这 fake 后端不是玩具。它是仓库的稳定烟雾路径，现在它从捆绑的PDF和DOCX夹具中提取有意义的文本，因此下面的示例保持可读性。

管道

同样的管道为一切提供动力：

• ingest 对于一个文件
• batch 对于目录
• watch 用于收件箱
• export 用于下游切换
• serve-mcp 用于通过stdio进行代理访问

输出合同

每次摄取都会写入相同的包：

• manifest.json
• document.md
• chunks.jsonl
• assets/
• tables/

manifest.json 总是携带：

• source
• mime_type
• page_count
• ocr_used
• chunk_count
• table_count
• duration_ms
• status
• error

真实案例

存储库包括以下生成的示例 docs/examples.

PDF示例：

{
  "source": "tests/fixtures/sample.pdf",
  "mime_type": "application/pdf",
  "page_count": 1,
  "ocr_used": false,
  "chunk_count": 3,
  "table_count": 1,
  "duration_ms": 184,
  "status": "ok",
  "error": null
}

Document title

Alpha paragraph.

Beta paragraph.

DOCX示例：

Contract header

Clause one.

Clause two.

匹配的捆绑包文件已签入，因此示例不仅仅是README散文：

• sample.pdf清单
• sample.pdf标记
• contract.docx清单
• 合同.docx降价

命令行界面

doc-ingest ingest ./sample.pdf --out ./out/sample --backend fake
doc-ingest batch ./incoming --out ./out --backend fake
doc-ingest watch ./incoming --out ./out --backend fake --once
doc-ingest export ./out/sample --format markdown
doc-ingest serve-mcp

重要标志包括：

• --out：输出包写入的位置
• --backend: fake, auto，或 docling
• --format: markdown, chunks，或 json
• --once：处理当前收件箱并退出

MCP表面

MCP服务器在stdio上公开了相同的行为：

• ingest_document
• batch_ingest
• get_manifest
• read_chunks
• export_markdown

运行它：

doc-ingest serve-mcp

此命令需要 mcp 额外：

pip install -e ".[mcp]"

安装

python -m venv .venv
.venv\\Scripts\\activate
pip install -e ".[dev]"

要启用真正的解析器路径，请执行以下操作：

pip install -e ".[docling]"

测试

pytest

现场直播的固定音符 tests/fixtures/README.mdsmoke语料库有意保持较小，因此repo可以快速克隆、易于阅读，并且足够稳定，可以进行回归测试。