| name | patent-ocr-mineru |
| description | 面向专利场景的 MinerU OCR 与文档解析技能。用于把扫描版专利、授权公告文本、交底书、 附图页、胶底/材料配方资料等文件解析为 Markdown、结构化 JSON 和质量报告，并对权利要求、 说明书章节、附图标记、材料配方与实验数据做专利后处理。触发词：OCR解析、扫描专利解析、 MinerU、PDF转专利文本、交底书OCR、附图OCR、胶底材料解析、专利文件结构化。
|
| metadata | {"triggers":["OCR解析","扫描专利解析","MinerU","PDF转专利文本","专利OCR","交底书OCR","附图OCR","胶底材料解析","专利文件结构化"]} |
专利 OCR 与 MinerU 解析
定位
本 skill 不是通用 OCR。它的目标是把专利相关文件解析成后续技能可复用的证据材料，尤其服务于：
- 扫描版中国专利申请文件、授权公告 PDF、全球案卷下载文件；
- 发明人交底书、实验记录、配方表、胶底/材料方案；
- 说明书附图、摘要附图、附图标记页；
- 后续
claims-feature-decomposition、disclosure-review、patent-formality-review、撰写类 skill 的输入预处理。
强制原则
- 密钥不落盘：MinerU 精准 API token 只从环境变量读取：
MINERU_API_TOKEN、MINERU_TOKEN 或 MINERU_API_KEY。不要写入仓库、示例配置、日志或最终报告。
- 先保留原始证据：保留 MinerU 原始
full.md、content_list.json、zip 包或本地 CLI 输出，再做清洗。不得只交付二次整理文本。
- 专利章节优先：解析后必须识别并标注说明书摘要、权利要求书、技术领域、背景技术、发明内容、附图说明、具体实施方式、说明书附图等专利章节。
- 权利要求原文优先：提取权利要求时不得改写技术特征，只能做 OCR 空格/标题级别的清洗。
- 附图与标号独立核查：出现“图1/图2”等图号时，必须检查是否识别到附图标记表或标号说明。
- 材料场景专门核查：胶底、橡胶、树脂、硫化、重量份、wt%、硬度、磨耗、剥离等线索必须被单独标注，防止配方表、实验表或单位丢失。
- 不把 OCR 结果当最终事实：质量报告中出现缺章、缺表、缺标号、异常空格时，必须提示人工复核原 PDF/图片。
选择解析路径
优先级按文件目的决定：
| 场景 | 推荐路径 | 原因 |
|---|
| 正式专利文件、需要 JSON/zip 证据 | precision | MinerU 精准 API 返回 zip，含 Markdown 与结构化 JSON |
| 小文件、临时快速看内容 | agent | 无需 token，但有大小/页数限制且只返回 Markdown |
| 本地可装 MinerU、涉密资料不宜上传 | local | 通过本地 mineru CLI 解析，避免外传 |
| 附图页、复杂扫描页、材料表页 | precision --model-version vlm --ocr-mode ocr | 对复杂版面和图文混排更稳 |
标准命令
以下命令默认在 patent-ocr-mineru skill 目录内执行。
精准 API：推荐正式路径
PowerShell 示例：
$env:MINERU_API_TOKEN = "<your-token>"
python scripts/mineru_patent_ocr.py parse "D:\case\scan.pdf" `
--service precision `
--profile patent-application `
--ocr-mode ocr `
--model-version vlm `
--extra-formats docx,html `
--output-dir "D:\case\ocr-output"
不要把 token 写进命令参数。只用环境变量。
Agent 轻量 API：小文件快速预览
python scripts/mineru_patent_ocr.py parse "D:\case\short.pdf" `
--service agent `
--profile disclosure `
--ocr-mode auto `
--output-dir "D:\case\ocr-preview"
本地 MinerU CLI：涉密或批量资料
python scripts/mineru_patent_ocr.py parse "D:\case\input.pdf" `
--service local `
--profile material-scan `
--ocr-mode ocr `
--output-dir "D:\case\ocr-local"
已有 MinerU 输出的后处理
python scripts/mineru_patent_ocr.py postprocess "D:\case\mineru_raw\unzipped" `
--profile official-patent `
--output-dir "D:\case\ocr-post"
交付物
脚本统一输出：
mineru_raw/：MinerU 原始结果，含 zip、full.md 或 JSON；patent_ocr_normalized.md：仅做轻度 OCR 清洗后的全文；patent_ocr_sections.md：按专利章节切分后的 Markdown；patent_ocr_bundle.json：结构化包，含章节、权利要求、图号、附图标记、材料线索；patent_ocr_quality_report.json：缺章、缺表、缺标号、OCR 异常等复核项。
专利后处理重点
- 申请文件五件套识别：说明书摘要、权利要求书、说明书、说明书附图、摘要附图要分开。不能把摘要附图和说明书附图混为正文。
- 权利要求编号稳定性：重点检查
1.、1、、1． 是否被 OCR 打散；从属权利要求引用关系必须保留。
- “其特征在于”检测：中国撰写格式下，独立权利要求通常应出现该短语；未出现时不是直接判错，而是列入人工确认。
- 图号与标号一致性：正文出现图号时，检查附图说明和标号表是否存在；标号行一般形如
10-支架、10、支架、10：支架。
- 材料/胶底场景：配方表、质量份、百分比、粒径、温度、硬度、磨耗、剥离强度等是高价值数据，OCR 后必须单独标注并核查单位。
- 交底书场景：优先抽取技术问题、技术方案、有益效果、应用场景、替代方案、实验数据；不要强行套完整申请文件结构。
- 页眉页脚处理：MinerU 可能把页眉页脚放入 discarded blocks。正式撰写前必须确认页码、页眉、申请号等是否混入正文证据。
质量自检
输出前检查：
- 是否存在
mineru_raw/ 原始文件；
patent_ocr_bundle.json 是否包含 sections、claims、figures、quality_report；- 质量报告风险等级是否为
low/medium/high，且 warnings 不为空时已告知用户；
- 材料资料是否标出配方/参数/测试数据线索；
- 未在任何文件中写入 MinerU token。
参考资料
- MinerU API 文档：
https://mineru.net/apiManage/docs
- MinerU CLI 文档：
https://opendatalab.github.io/MinerU/usage/cli_tools/
- MinerU 输出文件格式：
https://opendatalab.github.io/MinerU/reference/output_files/
更多接口差异与专利 schema 见 references/mineru-integration-notes.md 和 references/patent-ocr-schema.md。
