Automatizando a análise de PDFs complexos com Claude Code e RAG-Anything

Analisar centenas de PDFs e tabelas complexas localmente é uma tarefa árdua. Instalar ferramentas não resolve o problema por si só. A verdadeira automação do fluxo de trabalho começa quando você refina dados brutos em contextos de alta pureza que a IA possa processar e compreender instantaneamente.

Isolando projetos fisicamente para evitar alucinações

Ao usar o Claude Code, pode ocorrer de a IA responder a uma pergunta sobre o Projeto A com números do Projeto B. Isso acontece quando bancos de dados vetoriais ou grafos de conhecimento se misturam. Para evitar isso, é necessário projetar uma estrutura de pastas padronizada dentro da raiz do projeto e fixar os caminhos.

A estrutura mais organizada consiste em manter os arquivos originais em docs/raw/, os resultados da conversão do MinerU em docs/output/ e os índices do grafo de conhecimento do RAG-Anything em docs/context_db/. Essa separação evita conflitos em arquivos de status como kv_store_doc_status.json.

Para que o Claude Code foque apenas nestes caminhos, é necessária a configuração do .claudecode/config.json.

1. Crie o diretório .claudecode na raiz do projeto.
2. Adicione o rag-anything no campo mcpServers dentro do config.json.
3. Defina o valor de RAG_STORAGE_DIR como ./docs/context_db nas configurações de env.

Com essa configuração, a IA utilizará apenas os dados do caminho especificado. A precisão das respostas aumenta e o risco de misturar dados de diferentes clientes desaparece.

Técnica de adição de margem para aumentar o reconhecimento de tabelas no MinerU

PDFs digitalizados ou layouts de múltiplas colunas prejudicam a taxa de reconhecimento de OCR. Se uma tabela estiver colada à borda da página, o modelo de detecção de layout YOLO pode confundi-la com uma moldura e descartá-la inteiramente. A solução é simples: adicione cerca de 40 pixels de margem branca ao redor da imagem.

Na prática, tabelas encostadas na borda têm uma taxa de reconhecimento de apenas 3% sem margens, mas esse número sobe para 98% ao adicionar uma margem de 40px. Para digitalizações embaçadas, use o OpenCV para ajustar o contraste. Aplique a seguinte fórmula para ajustar o valor de $\alpha$ (contraste) entre 1.0 e 3.0 para tornar os limites dos caracteres mais nítidos:

$$g(i,j) = \alpha \cdot f(i,j) + \beta$$

Após aplicar a técnica CLAHE com um script Python e inseri-lo no MinerU, a extração de dados de tabelas aumenta exponencialmente. Forçar a IA a ler documentos que são visivelmente ilegíveis é uma perda de tempo.

Prevenindo falhas no sistema por falta de VRAM

Ao processar grandes volumes de documentos localmente, o maior obstáculo é a memória da GPU. Embora a versão 2.5 do MinerU seja mais rápida, em ambientes com menos de 24GB de VRAM, o sistema frequentemente trava ao processar PDFs grandes. Para garantir a estabilidade, o parâmetro num_batch deve ser reduzido do valor padrão de 512 para 32 ou 64.

1. No arquivo de configuração do MinerU, altere num_batch para 32 e gpu_memory_utilization para 0.7.
2. Se estiver em ambiente Linux, limite o overcommit de memória em /etc/sysctl.conf.
3. Crie um arquivo swap de pelo menos 8GB para lidar com picos de uso de memória.

Reduzir o tamanho do lote pode tornar o processamento um pouco mais lento, mas evita que o processo seja encerrado abruptamente no meio da tarefa. Concluir o trabalho de forma estável é mais importante do que a velocidade bruta.

Design de prompts para geração de rascunhos de relatórios

Após a indexação dos dados, é hora de extrair os resultados. Como o RAG-Anything estrutura as relações entre tabelas e fórmulas, você pode fazer consultas complexas no Claude Code. Comandos como "Compare a tabela de vendas do terceiro trimestre com as especificações técnicas atuais" tornam-se possíveis.

Para reduzir o tempo gasto em relatórios semanais repetitivos, utilize templates claros:

• Insira os dados a serem analisados na tag <context> e separe o formato de saída com a tag <format>.
• Instrua em etapas, como: "Extraia os números de vendas de cada documento, compare-os com os indicadores de custo e, em seguida, tire uma conclusão".
• Para evitar que a IA invente números inexistentes, force-a a exibir "Dados ausentes" ou "Necessário verificar".

Seguindo este fluxo de trabalho, o analista pode focar apenas na revisão do rascunho criado pela IA. Não há razão para perder tempo comparando manualmente os dados de origem.