文档处理新革命！Chunkr 专为RAG与知识库场景设计，多格式智能解析！

在构建文档问答、知识库或RAG（检索增强生成）系统时，处理PDF、PPT、Word等复杂文档的格式转换、OCR和结构化提取是一大痛点。

格式转换繁琐、OCR识别不准、结构化处理耗时，这些问题不仅拖慢开发进度，还可能影响AI应用的准确性。

由Lumina AI开发并开源的一款开源文档处理API，利用视觉语言模型（VLM）即可将复杂文档转为RAG/LLM就绪的结构化数据。

它便是 Chunkr，大家可以将其视为一个智能文档处理管道，能够理解文档布局、精确提取文本，并为 AI 应用智能分块文档。

Chunkr 核心解决了 AI 开发中的一个基本问题：使文档可被机器读取并适合 AI 使用。

GitHub 项目地址: https://github.com/lumina-ai-inc/chunkr

核心功能

• • 多格式文档解析：支持 PDF、PPT、Word、图片等多种格式
• • 带边界框的高精度 OCR：提取文本的同时保留空间关系和位置信息
• • 语义分块：自动将文档切分成适合 RAG 和 LLM 的上下文块
• • 多格式输出：以结构化 HTML、markdown、JSON 和纯文本形式提供结果
• • Python SDK：方便直接集成到 Python 应用或后端服务
• • LLM 支持：可配置 OpenAI、Claude、Ollama 等本地/远程模型

快速入手

Chunkr 提供两种入门方式，云服务和本地部署。

方式一：云服务（最快）

访问官方网站 chunkr.ai，创建账户并复制API密钥。

本地再安装 Python SDK

pip install chunkr-ai

Python 调用示例：

from chunkr_ai import Chunkr

# 使用您的 API 密钥进行初始化
chunkr = Chunkr(api_key="your_api_key")

# 上传文档（URL 或本地文件路径）
url = "https://chunkr-web.s3.us-east-1.amazonaws.com/landing_page/input/science.pdf"
task = chunkr.upload(url)

# 以多种格式导出结果
html = task.html(output_file="output.html")
markdown = task.markdown(output_file="output.md")
content = task.content(output_file="output.txt")
task.json(output_file="output.json")

# 清理资源
chunkr.close()

方式二：Docker 本地部署

前置要求：

• • Docker 和 Docker Compose 已安装在您的系统上
• • 8GB+ 可用内存（建议 16GB）
• • NVIDIA GPU（可选，用于获得更好的性能）

第 1 步：克隆项目

git clone https://github.com/lumina-ai-inc/chunkr
cd chunkr

第 2 步：配置环境

复制示例配置文件：

# 复制环境变量文件
cp .env.example .env
 
# 复制 LLM 模型配置文件
cp models.example.yaml models.yaml

再编辑 models.yaml 来配置您的 LLM 提供商。这是最重要的一步——Chunkr 使用 LLM 进行智能文档处理：

models:
  # OpenAI 配置示例
  - id: gpt-4o
    model: gpt-4o
    provider_url: https://api.openai.com/v1/chat/completions
    api_key: "your_openai_api_key_here"
    default: true
    rate-limit: 200 # 每分钟请求数 - 可选

# 备用模型（必需）
  - id: gemini-2.0-flash-lite
    model: gemini-2.0-flash-lite
    provider_url: https://generativelanguage.googleapis.com/v1beta/openai/chat/completions
    api_key: "your_google_ai_studio_api_key_here"
    fallback: true

关键点：

• • 必须有且仅有一个模型设置为 default: true
• • 必须有且仅有一个模型设置为 fallback: true
• • 可以添加多个模型，并在 API 请求中通过 ID 引用它们
• • rate-limit 是可选的，但建议在生产环境中使用

第 3 步：启动服务

根据系统选择合适的命令：

# 对于拥有 NVIDIA GPU 的系统（推荐）：
docker compose up -d
 
# 对于仅 CPU 的系统：
docker compose -f compose.yaml -f compose.cpu.yaml up -d
 
# 对于 Mac ARM 架构（M1, M2, M3 等）：
docker compose -f compose.yaml -f compose.cpu.yaml -f compose.mac.yaml up -d

第 4 步：验证安装

服务运行后，验证一切是否正常工作：

• • 检查 Web UI：在浏览器中打开 http://localhost:5173
• • 检查 API：访问 http://localhost:8000/health 查看 API 状态
• • 通过 Web 界面上传测试文档

第 5 步：处理你的第一个文档

现在 Chunkr 已经运行，让我们使用本地 API 处理一个文档：

import requests
 
# 本地 API 端点
API_URL = "http://localhost:8000"

# 上传文档
with open("your-document.pdf", "rb") as f:
    response = requests.post(
        f"{API_URL}/api/v1/document/upload",
        files={"file": f},
        headers={"Authorization": "Bearer your-api-key"}
    )

task_id = response.json()["task_id"]

# 检查状态
status_response = requests.get(
    f"{API_URL}/api/v1/task/{task_id}",
    headers={"Authorization": "Bearer your-api-key"}
)

print(status_response.json())

第 6 步：管理服务

完成后，也可以停止服务：

# 对于 GPU 部署：
docker compose down
 
# 对于仅 CPU 部署：
docker compose -f compose.yaml -f compose.cpu.yaml down
 
# 对于 Mac ARM 架构：
docker compose -f compose.yaml -f compose.cpu.yaml -f compose.mac.yaml down

应用场景

• • 文档问答：解析 PDF/Word/PPT 生成干净的结构化语料
• • 企业知识库：自动将内部资料转换为 AI 可用的分块数据
• • OCR 场景：保留文字位置坐标，方便做表格/图文混排处理
• • RAG 系统：直接将输出的 JSON/Markdown 接入检索增强生成

写在最后

Chunkr以其强大的文档处理能力，将PDF、PPTX、DOCX、Excel和图像转为RAG/LLM-ready的结构化数据，支持OCR、语义分块和多格式输出。

在 GitHub 已经收获了 2.6K Star，很受用户的青睐和使用。

相比传统的 Docling、olmOCR 这种单一文档解析工具，Chunkr 集 OCR、文档解析、分块、格式化于一体，非常适合直接做文档问答或知识库的底层能力。

有兴趣的小伙伴可以去官网或本地部署体验，或许未来会集成到你所开发的项目中。