OCR 新纪元，超强文档解析 Skills 来了

知识管理缺了一块拼图

前段时间我在基于大模型、SKills 的知识管理一文中介绍了 Karpathy 的知识管理方法——把各种原始素材统统丢进 raw/ 目录，用 Obsidian Web Clipper 一键裁剪网页，配合 LLM 慢慢「编译」成结构化 wiki

这个思路是对的，先不管三七二十一，把所有原始材料攒在一起。但问题来了：实际工作中，原始材料可不只是网页和 Markdown

合同、财报、研报是 PDF、内部培训材料是 PPT、数据是 Excel，各种文档是 Word……这些东西直接扔给大模型，轻则格式一塌糊涂，重则整个表格都消失了，跨页的更是截成碎片。做过 RAG 的都知道，解析是第一道关，解析不好，后面再聪明也白搭——垃圾进，垃圾出

OCR、文档解析相关我写过 N 多篇：DeepSeek-OCR、HunyuanOCR、PaddleOCR、GLM-OCR、MinerU 等，横向对比了以上开源方案，从落地层面我最推荐的可能还是# RAG 必备，100 页 PDF 文档秒级精准解析！实测，很强！一文中我实测过的TextIn xParse，实力我就不单独摘过来了，总之很强！

现在 xparse-parse 的 Skills 发布了，试用之后感觉：这才是最省心的方式

先说大家最关心的格式支持问题，再细说安装的事儿

格式支持

TextIn xParse 属于商业工具，但这次的skill提供了每日1000页的额度，个人使用完全足够

• 格式支持：PDF+图片(JPG/PNG/BMP/TIFF/WebP)，≤10MB，每日1000页，1次/秒
• 配置凭证后：https://cc.co/16YSe8（注册后获取APP ID 和 Secret Code），全格式解锁Word、Excel、PPT、HTML、OFD、RTF等20+格式，单文件≤500MB，无每日页数上限

Skills 地址：github.com/intsig-textin/xparse-skills

核心是两样东西：

• SKILL.md——告诉 Agent 什么时候触发文档解析、怎么路由
• xparse-cli——Go 编写的跨平台二进制工具，底层调用 TextIn xParser API

整个工作流如下图：

用户说一句话 → Agent 自动识别是文档任务 → 触发 xparse-parse Skill → 调用 xparse-cli → 根据有无凭证自动走免费/付费 API → 返回 Markdown 或 JSON。

全程你不用写一行代码，甚至不用知道 xparse-cli 怎么用

安装方式

方式一：对话框一句话安装

在 Agent 对话框直接说：

帮我从技能市场安装 intsig-textin/xparse-parser

方式二：npx 命令安装（强烈推荐）

npx skills add intsig-textin/xparse-skills

我最推荐这种方式，比较优雅

而且还可以一键安装到所有 Agent 工具中

凭证配置只要一条命令：

xparse-cli auth

按提示输入 App ID 和 Secret Code，保存到 ~/.xparse-cli/config.yaml，后续自动读取

也支持环境变量方式（适合 CI/CD）：

export XPARSE_APP_ID=your_app_id
export XPARSE_SECRET_CODE=your_secret_code

用法

在 OpenClaw、Claude Code 等 Agent 平台安装 xparse-parser Skill 后，只需自然语言指令即可完成解析全流程

例如：

• “帮我读一下这份PDF合同，提取关键条款”
• “把这个报告转成Markdown，保存到桌面”
• “这份加密PDF密码是123456，帮我解析前10页”
• “提取这张表格图片里的内容，输出JSON”

核心命令详解

这里大家了解就行了，其实配置好 Skills之后，完全不需要记住这些

# 最基础：解析 PDF，输出 Markdown 到终端
xparse-cli parse report.pdf

# 输出结构化 JSON
xparse-cli parse report.pdf --view json

# 保存到目录（自动命名为 report.md / report.json）
xparse-cli parse report.pdf --output ./result/

# 保存到指定文件
xparse-cli parse report.pdf --output parsed.md

# 只解析指定页码范围（支持多段）
xparse-cli parse report.pdf --page-range 1-5
xparse-cli parse report.pdf --page-range 1-2,5-10

# 解析加密 PDF
xparse-cli parse secret.pdf --password mypassword

# 获取字符级坐标和置信度（做人工核验时用）
xparse-cli parse report.pdf --view json --include-char-details --output ./parsed.json

值得注意的是，CLI 默认已经开启了一套完整的解析能力，不需要额外配置：

唯一需要手动开启的是 --include-char-details（字符坐标），因为这个会大幅增加返回数据量，按需开启

几个实用进阶玩法

① 管道组合，直接喂给 LLM

# 解析后搜索关键词
xparse-cli parse report.pdf | grep "revenue"

# 解析完直接喂给 LLM 总结
xparse-cli parse paper.pdf | llm "summarize this paper"

② 批量处理

# 准备一个文件列表 files.txt，一行一个路径
xparse-cli parse --list files.txt --output ./results/

③ 从解析结果里下载图片

# 先解析为 JSON
xparse-cli parse report.pdf --view json --output result.json

# 再从 JSON 里批量下载所有图片
xparse-cli download --from result.json --output ./images/

④ 私有化部署

如果是私有部署的 TextIn 服务，可以通过 --base-url 指定：

xparse-cli parse report.pdf --base-url https://your-private-server.com

总结

xparse-parse Skill 这个组合，我觉得把文档解析这件事做到了目前最低门槛的状态：

适合你用的场景：

• 用 Agent 做个人知识管理，原料里有大量 PDF/Word/PPT
• 搭建 RAG 知识库，需要高精度的文档结构化
• 日常工作要解析合同、财报、研报这类复杂文档

优缺点直说：

#文档解析 #Skills #TextIn #Agent #知识管理

制作不易，如果这篇文章觉得对你有用，可否点个关注。给我个三连击：点赞、转发和在看。若可以再给我加个🌟，谢谢你看我的文章，我们下篇再见！