前言

为解决LLM知识库的局限性、幻觉问题和数据安全性的问题，RAG检索增强生成（Retrieval Augmented Generation）应运而生，已经成为这些年最火热的LLM应用方案。而本人在使用RagFlow构建本地知识库时，发现其自带的DeepDoc解析PDF的效果不是很理想，为了解决这个问题找了MinerU这款PDF神器来替代DeepDoc解析PDF。本文主要整理了本地部署MinerU2.0的步骤，包含cpu和gpu两种模式（文章当前最新MinerU版本为mineru-2.0.6-released）。

一、MinerU介绍

MinerU是一款由上海人工智能实验室的大模型数据基础团队（OpenDataLab）开发的开源数据提取工具，专门用于高效地从复杂的 PDF 文档、网页和电子书中提取内容。想了解MinerU提取数据的原理可参考官方PPT文档

官方在线体验地址：

1. 拉取代码安装依赖

1
2
3
4
5
6
7
8
9
10

# 拉取项目源码
git clone https://github.com/opendatalab/MinerU.git
# 进入项目目录
cd MinerU
# uv创建python虚拟环境
uv venv --python3.11
# 激活虚拟环境
.venv\Scripts\activate
# uv下载项目依赖
uv pip install -e .[core]

前言

2025年上半年要说什么AI概念最火热，那当属MCP了，MCP全称 Model Context Protocol，即模型上下文协议 ，是由 Anthropic 开源的一种协议，用于使 AI 模型能够无缝对接外部资料。它就像是 AI 领域的 “万能钥匙”，专门用来解决 AI 模型与外部工具连接的难题，让 AI Agent 能够发挥更大的价值。本文将详细介绍MCP的一些基础概念，以及如何使用FastMcp框架快速的开发部署MCP服务，以及AI Agent如何创建MCP Client使用工具。

一、MCP介绍

1.为何诞生MCP

LLM应用需要与外部世界连接，以访问数据源或使用工具
如访问本地文件、访问数据库结构、调用第三方API服务等都需要大量的适配工作，MCP的做法是增加了一个中间层：LLM应用通过统一的MCP协议连接中间层（称为MCP Server），而这个中间层会处理与外部资源的对接，如下图 MCP 如同 USB-C 接口般通过统一协议实现 LLM 与外部能力的高效互联。

MCP的具体意义体现在:

• LLM应用的简化:不用适配各种私有协议，只需要知道怎么连接MCP server
• LLM应用的快速扩展:随时“插拔”新的MCP Server即可，一个不够就再来一个
• 快速适应变化:若一个外部资源的接口发生变化，只需要对它的MCP Server做修改，所有的LLM应用就可以无缝适应
• 新的AI能力共享生态:通过MCP Server的共享，新的LLM应用可以快速获得各种工具，形成了一种新的合作体系，提高整体效用

前言

poi-tl 是一个基于 Apache POI 功能强大、易于使用且灵活的 Word 模板引擎，非常适合需要自动化生成 Word 文档的 Java 应用场景；笔者之前用过FreeMarker和Easy-poi模板引擎，前者基于xml语法的模板可读性和可维护性极差，后者模板语法功能不全且解析不稳定，两者都不支持统计图模板的生成，而poi-tl模板引擎很好的解决了两者的痛点，所以推荐大家使用poi-tl模板引擎。

实践

1.引入依赖

1
2
3
4
5

<dependency>
    <groupId>com.deepoove</groupId>
    <artifactId>poi-tl</artifactId>
    <version>1.12.2</version>
</dependency>

个人搭建的demo项目就直接引入了最新版本的poi-tl依赖，项目中要根据实际的poi版本引入对应的版本否则有不兼容的情况。

前言

前不久由于conda企业用户可能需要付费订阅，公司要求卸载conda，刚好mcp火热接触到一些mcp用了uv、uvx等命令启动mcp服务，从uv官网了解到uv是一个用 Rust 编写的极快 Python 包和项目管理工具，实际体验后相比以前用的pip和conda有了巨大的提升，借此机会将这款好用的工具分享给大家。

一.安装方法及源替换 （windows）

1.安装python

已安装python可跳过该步骤
由于网络原因国内推荐从阿里云python-release镜像网站下载python安装包,
这里我选择下载的python-3.11.9-amd64.exe下载完成双击安装即可
打开powershell或者cmd命令行窗口验证python安装情况：

1 2	$ python --version Python 3.11.9

1 2	$ pip --version pip 25.0.1 from \python_home\Lib\site-packages\pip (python 3.11)

2.安装uv

由于网络原因国内推荐用pip命令安装uv
打开powershell或者cmd命令行窗口执行下面命令安装uv

1 2 3 4 5 6 7

$ pip install uv -i https://pypi.tuna.tsinghua.edu.cn/simple Looking in indexes: https://pypi.tuna.tsinghua.edu.cn/simple Collecting uv Downloading https://pypi.tuna.tsinghua.edu.cn/packages/..... ... Successfully installed uv

验证uv安装情况：

1 2	$ uv --version uv 0.6.16 (d8ad9d3cd 2025-04-22)

如果报错说明下载的uv.exe的目录(用pip下载的uv在python安装目录下如\python_home\Scripts)没有添加到Path环境变量。
（python_home表示的之前安装python指定的安装目录）

前言

       对于复杂的word模板导出场景，业界比较常用的方案是将word模板转化成xml格式，通过FreeMarker，Thymeleaf，Moustache等模板引擎生成xml最终导出word；上面的方案虽然能实现复杂的模板逻辑，但是如果业务方需要频繁修改模板样式，那么xml修改模板样式也是极为麻烦的且很不直观，这里我推荐一款国产开源的框架EasyPoi，直接在word中使用模板语法就能实现动态解析导出，所见即所得，对于需要频繁调整word模板样式的场景是非常适用的。

1.引入依赖

这里我推荐一个IDEA插件maven-search，方便快速搜索和复制maven依赖
对于word模板导出的场景，引入easypoi-base依赖即可

1
2
3
4
5
6
7
8
9
10
11

<!-- 依赖版本号 -->
<properties>
    <easypoi.version>4.4.0</easypoi.version>
</properties>

<!-- 项目依赖 -->
<dependency>
    <groupId>cn.afterturn</groupId>
    <artifactId>easypoi-base</artifactId>
    <version>${easypoi.version}</version>
</dependency>