MinerU 保留 Office 结构，走 TaoToken 的 Codex 能逐页验收入库

当一份 DOCX 制度在 Word 里有五级标题、页眉页脚和合并单元格，MinerU 解析后如果只留下一段线性文本，表头和数值就会散架；PPTX 汇报里的图表与结论页也会断开；XLSX 数据字典里多工作表、公式和单位会失去来源。要让 Agent 在长上下文里拿到可复核的语义包，走 TaoToken 的 Codex 可以充当逐页验收的执行者。先在 https://taotoken.net/?utm_source=taotoken_aicg_blog_end&utm_content= 创建 API Key，把 Base URL 填成 https://taotoken.net/api（末尾不要加 /v1，也不要带 UTM），Codex 就能作为消耗 Token 的 Agent 入口，读取 MinerU 输出的 Markdown、结构化 JSON 和元素链接，按 DOCX、PPTX、XLSX 样本集逐项核对标题层级、表格表头、公式和图表来源。

这里要把边界说清：MinerU 负责结构恢复，TaoToken 只给 Codex 供 Key 和 Base URL，不参与解析动作，也不替代表格复核本身。验收记录仍要由人来决定是否阻断入库。把 Office 文档变成 Agent 上下文，真正难的不是让模型“读一遍”，而是让每一个结论都能回到原始页、幻灯片或单元格。下面按这个目标拆开写。

1. 从 DOCX 制度、PPTX 汇报、XLSX 数据字典说起：别只交纯文本

1.1 纯文本入库会把表头、幻灯片标题和公式范围拆散

企业资料很少只以 PDF 流动。制度在 Word，汇报结论在幻灯片，口径、实验条件和经营指标在工作簿。一旦入库时把 DOCX 的表格拆成逗号分隔的句子、把 PPTX 的图注并进正文、把 XLSX 的公式算成静态值，Agent 拿到的上下文就失去了可验证的锚点。长上下文并不会自动修复这种损失，它只会把错误结论讲得更像真的。

更麻烦的是复核环节。审核者看到“研发费用同比增长 12%”这句话时，需要知道它来自哪张幻灯片、哪张工作表、哪一列、哪一个公式。如果解析产物里没有元素级来源，人工只能重新打开原件，逐页比对。这个成本在大批量 Office 入库时会变得很高，失败样本也无法沉淀成回归集。

所以 Office 入库的最小交付物不应该是纯文本，而应该是一个“语义包”。这个包要让检索、Agent 调用和人工验收三类角色都能各取所需：检索要 Markdown 和标题层级，Agent 要结构化 JSON 和元素链接，审核者要能回到原始页、幻灯片和工作表。缺了任何一层，后面的切块、检索和工具调用都会受影响。

1.2 MinerU 语义包的四件套：Markdown、结构化 JSON、元素资产、验收记录

把 MinerU 的输出组织好，可以从四件套开始。第一件是 Markdown，用于阅读、检索和向量化；它应该保留标题层级、列表、表头和基本阅读顺序，而不是把所有内容压成一段。第二件是结构化 JSON，用于程序定位、差异比对和 Agent 工具返回；表格、公式、图表、页/幻灯片/工作表来源最好都能在 JSON 里有稳定字段。

第三件是元素资产，包括表格的行列结构、标题与图注、公式识别结果、图片或图表链接，以及页、幻灯片、工作表的来源标识。第四件是验收记录，涵盖解析入口、参数、版本、样本哈希、人工验收状态和阻断级别。四件套之间要能互相验证：Markdown 里的结论能回到 PPT 页，JSON 里的表格能回到 XLSX 工作表与范围，公式识别结果能回看原始版面。

不要把它理解成“输出格式越多越好”。格式多但没有互相校验关系，反而会增加维护成本。真正有用的是可回链：每一层输出都带来源，每一个来源都能被人工抽查。对高风险数值，比如金额、剂量、实验条件、合规字段，必须回到原件人工复核。解析器负责结构恢复，不替代业务口径判断。

1.3 TaoToken 在验收链路里只做 Key 和 Base URL

Codex 要跑逐页验收，先得有一个可消耗 Token 的模型入口。TaoToken 在这个链路里的角色很窄：给 Codex 提供 API Key 和兼容的 Base URL，让 Codex 能调用模型来读取、对照和生成验收意见。它不负责打开 DOCX、不负责解析 PPTX、也不负责判断 XLSX 的公式是否算对。

这意味着配置时不要把两件事混在一起：官网落地页用于注册、创建 Key、看模型广场和查用量；填进 Codex 的 Base URL 一律是 https://taotoken.net/api，末尾不要加 /v1，也不要带 UTM 参数。Key 用占位符 YOUR_API_KEY，实际值从 https://taotoken.net/?utm_source=taotoken_aicg_blog_end&utm_content= 创建。模型 ID 不要凭记忆猜，以模型广场当时列表为准。

2. 先在 TaoToken 拿 Key，再让 Codex 读取 MinerU 输出目录

2.1 创建 API Key 与模型 ID 的获取位置

准备材料这一步，原文里如果是“打开官网、注册登录、申请密钥、进入控制台”，在现在的链路里就统一成打开 TaoToken 完成。登录后进入控制台，创建一把 API Key，并把 YOUR_API_KEY 替换成实际值。同时看一眼模型广场，记录你要给 Codex 用的模型 ID；不同时间上架的模型可能不同，不要直接抄旧文章里的 ID。

如果你还要跑 Claude Code 或其他编码工具，Key 可以在同一个控制台管理。但本文的主线是 Codex 读取 MinerU 输出，所以先确保这把 Key 能用在 Codex 的 config.toml 里。Key 的权限、额度、调用记录都可以回到控制台核对，发现异常调用时也方便排查。

准备一个本地目录，例如 ./office-audit，下面分 samples、parsed、reports 三个子目录。samples 放 DOCX 制度、PPTX 汇报、XLSX 数据字典和扫描件样本；parsed 存 MinerU 输出；reports 存 Codex 生成的验收表和人工复核记录。目录固定下来，后面复现和回归会轻松很多。

2.2 ~/.codex/config.toml 里配置 model_provider 和 base_url

Codex 的配置不要套 Anthropic 的环境变量，它用的是自己的 config.toml。下面是一份可复制的示例，重点是 model_provider、base_url 和 env_key 三个位置：

# ~/.codex/config.toml model = "YOUR_MODEL_ID" # 以 https://taotoken.net/?utm_source=taotoken_aicg_blog_end&utm_content= 模型广场当时列表为准 model_provider = "taotoken" [model_providers.taotoken] name = "TaoToken" base_url = "https://taotoken.net/api" env_key = "TAOTOKEN_API_KEY" wire_api = "chat"

保存后设置环境变量。Linux 或 macOS 可以这样：

export TAOTOKEN_API_KEY=YOUR_API_KEY codex

Windows PowerShell 用：

$env:TAOTOKEN_API_KEY="YOUR_API_KEY" codex

注意 base_url 末尾不要加 /v1。Codex 会按 provider 配置拼接请求路径，多写一层 /v1 容易出现 404。Key 只放在环境变量或本地配置里，不要提交到 Git。模型 ID 如果填错，第一轮对话就会报模型不存在。

2.3 用 mineru CLI 生成可复现的解析资产

MinerU 负责解析，Codex 负责验收，所以先把解析产物跑出来。CLI 适合本地小样本预检，每次运行都记下输入哈希、CLI 版本、命令参数和输出目录。示例命令如下，换成你自己的文件路径即可：

mineru -p ./samples/policy.docx -o ./parsed/policy mineru -p ./samples/board-deck.pptx -o ./parsed/board-deck mineru -p ./samples/metrics.xlsx -o ./parsed/metrics # 低资源环境可按官方 CLI 文档选用 pipeline 后端； # 上线前仍应以自身样本确认输出与耗时。 mineru -p ./samples/policy.docx -o ./parsed/policy -b pipeline

跑完后不要只留一个 Markdown 文件。把 Markdown、JSON、图片/图表、表格和公式相关文件都保留在 parsed 目录下，后续 Codex 才能做元素回链。扫描件和图片型幻灯片可以另开一组，用 OCR 语言和版面参数单独记录。原生 Office 的重点是版面分析和元素提取，不要把 DOCX、PPTX、XLSX 当成扫描件来跑。

如果某个样本解析失败，不要笼统写“效果不好”。记下失败类型：OCR、版面、表格、公式、图表、权限、超时还是版本漂移。把失败样本加入回归集，等 MinerU 或参数变化后重跑。Codex 在后面的验收环节只读取这些已落盘的解析产物和你的验收标准，不直接打开受保护工作簿或宏文件。

3. 让 Codex 逐页核对：DOCX 标题层级、PPTX 图注、XLSX 表头与公式

3.1 把验收提示词写给 Codex，限定它只看已解析文件

Codex 的职责是生成、解释和对照，不是替你去执行解析。给它一个明确的验收提示词，限定读取范围在 ./parsed 和 ./reports 下，要求它按样本集输出 Markdown 表格。提示词可以这样写：

你是一个 Office 入库验收助手。只读取 ./parsed 目录下的 Markdown、JSON 和元素链接文件，不要修改原始 DOCX/PPTX/XLSX。 请按以下样本逐项核对： 1. DOCX 制度：多级标题顺序、页眉页脚、表格是否混入正文。 2. PPTX 汇报：幻灯片标题、图注、图表与结论页的关联是否可回查。 3. XLSX 数据字典：多工作表、表头、合并单元格、公式、单位与来源是否可定位。 输出一张验收表，字段包括 run_id、doc_id、位置、元素、预期、观察结果、状态、后续动作。 无法确认的项标为 pending，不要编造来源。

这个提示词不会让 Codex 直接连生产库，也不会让它操作业务软件。它只是把已有解析产物当作上下文，逐项对照并生成复核记录。真正的高风险数字、法规条款、医学字段，还要由读者在本地打开原件人工验收，再把确认结果写回 reports。

3.2 DOCX 制度样本：多级标题、页眉页脚、表格不混入正文

DOCX 制度最容易出问题的是标题层级和表格边界。Word 里“第 1 章”“1.1”“1.1.1”可能靠样式和编号共同表达，转成 Markdown 后如果只剩纯文本，Codex 就难以判断某句话属于哪一级。让它核对时，要求它同时看 Markdown 和结构化 JSON 里的标题节点，而不是只看正文词汇。

表格部分重点看两件事：表头是否保留，表格是否混入正文。制度里的金额、期限、审批权限经常在合并单元格里，如果解析后行列关系丢失，Codex 只能看到一串值。验收记录要写明“Word 表 2，表头与合并单元格保留”，观察结果由读者运行后填写，状态先标 pending，再由人工复核决定放行或阻断。

页眉页脚也不要忽略。版本号、密级、生效日期有时只出现在页眉，正文里没有。让 Codex 对照页眉页脚元素，确认它们是否被收录，是否与正文版本一致。做不到回链的项，直接进入失败集，不要勉强入库。

3.3 PPTX 汇报样本：幻灯片标题、图注与结论页回链

PPTX 的难点是幻灯片标题、图注和图表之间的关联。汇报里常见一页图表配一句结论，下一页再展开分析。如果解析后所有文字被拍平，Codex 可能把第 7 页的结论挂到第 9 页的图表上。验收时要让它输出幻灯片编号、标题、图注和图表元素链接，逐页回查。

图表来源也要记录。图表是图片、嵌入对象还是可编辑矢量，会影响后续 Agent 能否调用。对于扫描截图，OCR 可以帮忙识别文字，但图表数据点未必完整。让 Codex 标记“图表结论可回链”或“图注与正文关联缺失”，后者加入失败集。不要因为模型能复述一句结论就认为幻灯片结构已经合格。

人工抽查时，直接打开原始 PPTX 对照页码。幻灯片标题、图注、结论页的顺序是否与 JSON 中记录一致，是判断语义包是否可用的关键。Codex 给出的是验收线索，不是最终裁决。

3.4 XLSX 数据字典样本：工作表、合并单元格、公式与单位

XLSX 数据字典通常有多个工作表，表头可能占两行，合并单元格很多，公式还引用其他工作表。MinerU 输出后，要同时检查 Markdown 里可读的表和 JSON 里结构化的单元格。Codex 核对时要求它列出工作表名、表头行、数据范围、公式和单位，不能只复述数值。

公式识别结果要能回看原始单元格。比如“Sheet Metrics”里的某个指标由其他工作表计算而来，验收记录应包含公式所在单元格、引用范围和单位。单位如果丢在表头合并单元格里，后续 Agent 很容易把“万元”当成“元”。这类项必须人工复核，不能只靠模型判断。

多工作表样本建议各选一份，固定工作表范围后再交给 Codex。不要一次性把整本工作簿丢进去，上下文会被无关 sheet 占满。按 sheet 拆分验收，记录 doc_id、sheet 名、范围、解析版本和观察结果，后续做回归时更好定位。

4. 验收记录表与阻断级别：run_id、doc_hash、parser_version

4.1 一张可复制的验收记录表

验收一定要落表，不要只在对话里说“看起来没问题”。下面这张表可以直接复制到 reports/office-audit.md，由 Codex 生成初稿，再由人工填写观察结果和状态：

每条记录都要带 doc_id、文件哈希、页/幻灯片/工作表位置、元素类型、解析入口、参数、解析版本、预期、观察结果、阻断级别和人工修正。只写“效果不好”无法支撑上线决策。状态可以用 pending、pass、fail、blocked 四档，blocked 表示在高风险字段未确认前不允许进入默认知识库。

如果同一次解析里多个元素失败，按位置拆成多条记录，不要合并成一行。这样版本升级后重跑时，可以逐条对比哪些问题被修复，哪些仍然存在。

4.2 失败分类：OCR、版面、表格、公式、图表、权限、超时、版本漂移

失败样本要分类。OCR 问题包括低清截图、多语言混排、手写批注；版面问题包括倾斜、噪声、阅读顺序错乱；表格问题包括表头丢失、合并单元格错位、行列错位；公式问题包括识别不全、单位丢失、引用范围错误；图表问题包括图注脱离、图表数据不可回链。

权限和超时也要单独记录。受保护工作簿、加密文档、宏文件可能无法解析，这类样本不要硬塞进主流程，应该进入专项失败集。超时可能和文件大小、页数、后端选择有关，记录错误码和重试次数，不要反复重试却不留日志。版本漂移是最隐蔽的一类：MinerU、SDK、MCP Server、模型或参数变化后，同一份文件输出可能不同。记录样本哈希和解析版本，才能在版本升级后知道差异从哪里来。

4.3 已验收资产再进知识库，失败项进回归集

默认知识库只接收通过或完成人工复核的资产。失败项不要直接删除，加入回归集，等解析器或参数变化后重跑。高风险的金额、实验条件、法规条款、医学字段必须有明确的人工验收记录，不能由 Codex 单独放行。

Codex 在这里的作用是加速对照和生成表格，不是替代人工判断。它可以读取已验收的 Markdown、JSON 和元素链接，帮你把问题清单整理出来；但最终是否阻断入库，要按业务口径和高风险字段的验收结果来定。把这条边界写进团队规范，后续维护会省很多争议。

5. 排障：Codex 报 401、404，或 MinerU JSON 字段对不上

5.1 401 与 404：先查 Key、Base URL 末尾和模型 ID

Codex 报 401，通常先查环境变量名和值。config.toml 里写的是 env_key = "TAOTOKEN_API_KEY"，那终端里就必须有同名变量，并且值是 YOUR_API_KEY 对应的真实 Key。如果 Key 创建后没有复制完整，或者用了别的项目的 Key，也会 401。回到控制台重新创建一把，再试一次。

404 多数是路径或模型 ID 问题。Base URL 必须填 https://taotoken.net/api，末尾不要加 /v1。有人习惯性写成 https://taotoken.net/api/v1，Codex 再拼接一次就会多出路径。模型 ID 也要以模型广场当时列表为准，旧文章里的 ID 可能已经下架。把错误信息、provider 配置和模型 ID 一起贴回对话，逐项排除。

如果 401 和 404 同时出现，先解决 401。认证没通过时，模型查询失败也可能表现为找不到模型。

5.2 MinerU 输出缺表头、缺公式、缺图注时怎么定位

Markdown 看起来能读，不代表结构化 JSON 合格。缺表头时，先看 MinerU 输出目录里有没有对应的表格元素文件，再检查 CLI 版本、后端参数和 OCR 语言。缺公式时，确认公式是原生 Office 公式、图片公式还是嵌入对象；不同来源的识别路径不同。缺图注时，回看幻灯片或 Word 页面，确认图注是文本框、图片题注还是组合形状。

把失败样本按位置记录，不要用“表格解析不好”一句话带过。Codex 可以帮你对比 Markdown 与 JSON 的字段差异，但它看不到原始版面里未输出的元素。人工需要打开原件，确认是解析丢失还是本来就没有。定位清楚后，再决定是换参数、换后端，还是把该页加入人工处理队列。

5.3 上下文太长与 Token 消耗过快时的拆分策略

Office 语义包很容易把上下文撑大，尤其是多工作表 XLSX 和几十页 PPTX。不要让 Codex 一次性读完整本工作簿。按文件、按工作表、按幻灯片分组，只把怀疑有问题的页或 sheet 连同验收标准交给它。Markdown 用于通读，JSON 用于定位，元素链接用于回查，三者按需取用。

Token 消耗过快时，回控制台看调用记录，确认是不是把整份解析产物重复塞进了多轮对话。把验收提示词固定下来，输出表格式结果，避免让模型自由发挥。长期批量验收可以评估 Coding Plan 是否合适，但具体套餐和额度以控制台当时显示为准，不要照搬旧数字。

6. 把已验收的 Office 语义包交给 Agent，并在模型对话里复核调用

6.1 MCP 只读已验收结果，不让 Agent 任意读工作簿

如果要用 MCP 把 MinerU 结果接给 Agent，建议只暴露已验收资产，不要让 Agent 任意上传本地文件或读取任意工作簿。一个受控的 MCP 配置思路如下：

{ "mcpServers": { "mineru": { "command": "uvx", "args": ["mineru-open-mcp"], "env": { "MINERU_API_TOKEN": "YOUR_MINERU_TOKEN" } } } }

上层策略先查询 doc_hash、parser_version、parameters 和 accepted 状态。命中已验收资产时，只读取 Markdown、JSON 和元素链接；未命中、已失效或权限不足时，再创建解析任务，并把结果送入人工抽样队列。MCP 在这里是读取已验收结果的通道，不是让 Agent 直接操作生产库或执行导入导出的入口。

6.2 去模型对话发一条测试消息，再回控制台看这次调用

Codex 配置保存后，先在 TaoToken 模型对话 里用同一把 Key 发一条测试消息，确认模型 ID 和 Base URL 没填错。然后回到本地，让 Codex 读取 ./parsed/policy、./parsed/board-deck、./parsed/metrics，生成一份验收表初稿。对比两边的输出，如果模型对话正常而 Codex 报错，多半是 config.toml 的 provider 或环境变量问题。

验收跑完后，回到控制台看这次调用是否记上账。用量异常时，检查是不是把整本 XLSX 塞进了上下文，或者同一批文件重复跑了多轮。把验收表、失败样本和调用记录放在同一个 run_id 下，后续版本升级重跑时可以直接对比。

6.3 下一步：Coding Plan 与 Key 管理

如果只是偶尔验收几份 Office 文档，按需调用即可。要长期跑批量入库、每天让 Codex 对比解析差异，可以打开 Coding Plan 看套餐是否够用。新的 Key 在 控制台 API Keys 创建，旧 Key 该轮换就轮换。Claude Code 接入文档在 这里，如果你同时用多个编码工具，可以把 Key 和 Base URL 的对应关系单独记一份。

把这批 DOCX 制度、PPTX 汇报、XLSX 数据字典跑完验收后，别急着把整个目录塞进默认知识库。先看失败集里还有多少 blocked 项，再决定哪些可以放行。下一次 MinerU 或 Codex 版本变化时，把同一批样本重跑一遍，对照旧记录看差异。验收这件事，慢一点反而省时间。