5 篇博文 含有标签「LLM」

大模型会聊天，但不会干活。真正让 AI Agent 能接住复杂任务的，不是模型有多聪明，而是外面裹着的那层"缰绳"——Harness。当任务要跨多个 API、文件格式和多轮状态时，真正决定成功率的是模型外层的工程控制。

过去一年，很多团队都在研究怎么把大模型变成 Agent：给它工具，给它权限，给它任务，让它能自己跑起来。

于是大家开始关注 Prompt、Context、Tool Use、Workflow、Harness。可是当 Agent 真的开始进入开发、运维、研究、文档和业务流程以后，一个更底层的问题浮出来了：Agent 到底工作在一个什么环境里？

这就是 Environment Engineering 想解决的问题。

如果说 Harness 解决的是“怎么管住 Agent”，那么 Environment 解决的是“Agent 面对的世界是否可靠”。前者更像运行时控制系统，后者更像训练场、考场和工作制度。

做 LLM 应用的人大概都遇到过同一个头疼问题：用户丢过来一个 PDF、一个 Word、一张截图、一段录音，然后问你"能不能帮我总结一下？"

每种格式都要找对应的解析库，PDF 用 PyMuPDF、Word 用 python-docx、Excel 用 openpyxl、图片还得上 Tesseract OCR……写完一堆胶水代码，发现提取出来的文本结构全丢了——标题变普通段落、表格变乱码、链接直接蒸发。

微软开源的 MarkItDown 就是来解决这个问题的。

上篇写了 MarkItDown，微软出的通用文件转Markdown 工具。今天这篇聊 MinerU——一个更专注、更狠的文档解析引擎。

如果说 MarkItDown 是"瑞士军刀"，什么格式都能转；那 MinerU 就是"手术刀"，专门对付最难啃的 PDF——扫描件、多栏排版、跨页表格、数学公式、手写体，这些让普通解析器哭出来的场景。

2023 年很多 AI 项目都会经历一个阶段：最初几天大家都被 Demo 效果鼓舞，但很快就会遇到一个更现实的问题，模型今天看起来好，明天为什么又不稳定了？