Автоматизация анализа сложных PDF-файлов с помощью Claude Code и RAG-Anything

Анализ сотен страниц PDF и сложных таблиц локально — это сущий ад. Простая установка инструментов не решит проблему. Настоящая автоматизация рабочих процессов начинается только тогда, когда вы очищаете «грязные» данные до состояния высокочистого контекста, который ИИ может мгновенно поглотить и обработать.

Физическая изоляция проектов для предотвращения галлюцинаций

При использовании Claude Code может возникнуть ситуация, когда на вопрос по проекту А ИИ выдает цифры из проекта Б. Это происходит при смешивании векторных баз данных или графов знаний. Чтобы предотвратить это, необходимо разработать стандартизированную структуру папок внутри корня проекта и жестко зафиксировать пути.

Самая чистая структура — размещать исходные файлы в docs/raw/, результаты конвертации MinerU в docs/output/, а индекс графа знаний RAG-Anything в docs/context_db/. Такое разделение гарантирует, что файлы состояния, такие как kv_store_doc_status.json, не перепутаются.

Чтобы Claude Code смотрел только на эти пути, требуется настройка .claudecode/config.json.

1. Создайте директорию .claudecode в корне проекта.
2. Добавьте rag-anything в раздел mcpServers внутри config.json.
3. В настройках env установите значение RAG_STORAGE_DIR как ./docs/context_db.

После завершения этой настройки ИИ будет использовать данные только из указанного пути. Точность ответов повысится, а риск смешивания данных разных клиентов исчезнет.

Техника добавления полей для повышения точности распознавания таблиц в MinerU

Сканированные PDF или многоколонные макеты снижают точность OCR. Если таблица вплотную прилегает к краю страницы, модель детекции макетов YOLO может ошибочно принять её за границу и полностью удалить. Решение простое: добавьте белое поле шириной около 40 пикселей вокруг изображения.

На практике точность распознавания таблиц, прижатых к краям, составляет всего около 3% без полей, но возрастает до 98% при добавлении 40px полей. Для размытых сканов используйте OpenCV для регулировки контрастности. Примените следующую формулу, чтобы настроить значение $\alpha$ (контраст) в диапазоне от 1.0 до 3.0, что сделает границы символов более четкими.

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

Применение метода CLAHE с помощью Python-скрипта перед подачей в MinerU увеличивает объем извлекаемых данных таблиц в десятки раз. Заставлять ИИ читать документы, которые даже человеческому глазу кажутся размытыми — это пустая трата времени.

Предотвращение сбоев системы из-за нехватки VRAM

При обработке больших объемов документов локально главным препятствием становится память GPU. Хотя MinerU версии 2.5 стал быстрее, в средах с VRAM менее 24 ГБ система часто зависает при обработке крупных PDF. Для стабильности необходимо снизить параметр num_batch со значения по умолчанию 512 до 32 или 64.

1. В файле конфигурации MinerU измените num_batch на 32, а gpu_memory_utilization на 0.7.
2. В среде Linux ограничьте чрезмерное выделение памяти (memory overcommit) в /etc/sysctl.conf.
3. Создайте файл подкачки (swap) объемом не менее 8 ГБ, чтобы подготовиться к пиковым нагрузкам на память.

Уменьшение размера пакета (batch size) может немного замедлить скорость обработки, но это предотвратит принудительное завершение процесса в середине работы. Стабильное завершение задачи важнее, чем скорость.

Проектирование промптов для генерации черновиков отчетов

После завершения индексации данных пришло время извлечь результат. Поскольку RAG-Anything структурирует связи между таблицами и формулами, вы можете отправлять сложные запросы в Claude Code. Становятся возможными команды вроде "Сравни таблицу продаж за 3-й квартал с текущими техническими спецификациями".

Чтобы сократить время на написание еженедельных отчетов, используйте четкие шаблоны:

• Помещайте данные для анализа в теги <context>, а формат вывода разделяйте тегами <format>.
• Давайте пошаговые инструкции: "Извлеки показатели выручки из каждого документа, сравни их с показателями себестоимости и сделай вывод".
• Заставьте ИИ помечать отсутствующие цифры как "Нет данных" или "Требуется подтверждение", чтобы он не выдумывал значения.

При таком рабочем процессе аналитику остается только сосредоточиться на проверке черновика, созданного ИИ. Нет причин тратить время на ручное сопоставление исходных данных.