扣子PDF导入指南：构建高质量向量知识库

在扣子（Coze）中直接上传PDF并自动生成高质量向量知识库，存在一个关键限制——平台原生不支持PDF解析。扣子仅接受已结构化好的文本（如TXT或MD），无法自动识别PDF内的表格、公式、多栏排版或图片上下文。因此，必须先用专业工具完成语义级解析，再将清洗干净的Markdown导入扣子知识库。

用MinerU 2.5-1.2B将PDF解析为结构化Markdown

第一步，启动预装MinerU 2.5-1.2B的深度学习镜像环境，默认工作路径为/root/workspace。执行以下命令即可：

mineru -p ./input/report.pdf -o ./output --task doc

这里有个易错点——必须添加--task doc参数，否则系统默认仅执行OCR文字提取，导致标题层级、列表缩进和公式的语义结构全部丢失。缺少该参数输出的.md文件段落混乱、没有标题锚点，后续在扣子中分块时，“摘要”和“参考文献”会混入同一个chunk。

解析完成后，检查./output/report.md：确保一级标题（#）和二级标题（##）完整保留，表格已转为Markdown语法，数学公式保持$$...$$格式，且每张图片下方均有对应caption描述。这是扣子正确理解上下文的基础。

清洗与分块：适配扣子知识库的文本预处理

清洗操作有两种方式，可组合使用。

方法一：用Python脚本剔除冗余内容

打开report.md，运行以下代码过滤页眉页脚、重复页码和扫描水印：

import re
with open("report.md") as f:
    text = f.read()
text = re.sub(r"第 d+ 页|©.*?20d{2}|Confidential.*", "", text)
text = re.sub(r"ns*ns*n+", "nn", text)  # 合并多余空行
with open("clean.md", "w") as f:
    f.write(text)

方法二：手动校验关键段落

重点检查含公式的章节，例如“3.2 模型推导”。确认$$frac{partial L}{partial w} = 0$$未被截断为$$frac{partial L——MinerU偶尔会在长公式末尾遗漏右括号。这类错误会导致扣子嵌入时整个chunk向量失真，必须手动补全。

在扣子中创建知识库并导入clean.md

第一步，登录Coze平台，点击左上角的「Bot」，选择目标机器人，然后进入「Knowledge Base」→「Add Knowledge」。

第二步，点击「Upload Files」，选取clean.md，在弹窗中按如下配置：

• 分块策略选「By heading」：扣子将依据#和##自动切分，保证语义单元完整。若选「By length」，很可能把“实验结果”表格强行拆成两段，检索时无法召回完整数据。
• 编码格式选「UTF-8」：中文文档误选GBK会生成乱码，导致向量建立失败且无报错提示。

第三步，点击「Confirm」等待索引完成。查看右侧的「Chunks」数量，确认是否与clean.md中的二级标题数基本一致（允许±3个浮动）。若数量偏差超过10%，说明清洗不彻底，需返回第二步重新处理。