当一份 DOCX 制度在 Word 里有五级标题、页眉页脚和合并单元格MinerU 解析后如果只留下一段线性文本表头和数值就会散架PPTX 汇报里的图表与结论页也会断开XLSX 数据字典里多工作表、公式和单位会失去来源。要让 Agent 在长上下文里拿到可复核的语义包走 TaoToken 的 Codex 可以充当逐页验收的执行者。先在 https://taotoken.net/?utm_sourcetaotoken_aicg_blog_endutm_content 创建 API Key把 Base URL 填成 https://taotoken.net/api末尾不要加 /v1也不要带 UTMCodex 就能作为消耗 Token 的 Agent 入口读取 MinerU 输出的 Markdown、结构化 JSON 和元素链接按 DOCX、PPTX、XLSX 样本集逐项核对标题层级、表格表头、公式和图表来源。这里要把边界说清MinerU 负责结构恢复TaoToken 只给 Codex 供 Key 和 Base URL不参与解析动作也不替代表格复核本身。验收记录仍要由人来决定是否阻断入库。把 Office 文档变成 Agent 上下文真正难的不是让模型“读一遍”而是让每一个结论都能回到原始页、幻灯片或单元格。下面按这个目标拆开写。1. 从 DOCX 制度、PPTX 汇报、XLSX 数据字典说起别只交纯文本1.1 纯文本入库会把表头、幻灯片标题和公式范围拆散企业资料很少只以 PDF 流动。制度在 Word汇报结论在幻灯片口径、实验条件和经营指标在工作簿。一旦入库时把 DOCX 的表格拆成逗号分隔的句子、把 PPTX 的图注并进正文、把 XLSX 的公式算成静态值Agent 拿到的上下文就失去了可验证的锚点。长上下文并不会自动修复这种损失它只会把错误结论讲得更像真的。更麻烦的是复核环节。审核者看到“研发费用同比增长 12%”这句话时需要知道它来自哪张幻灯片、哪张工作表、哪一列、哪一个公式。如果解析产物里没有元素级来源人工只能重新打开原件逐页比对。这个成本在大批量 Office 入库时会变得很高失败样本也无法沉淀成回归集。所以 Office 入库的最小交付物不应该是纯文本而应该是一个“语义包”。这个包要让检索、Agent 调用和人工验收三类角色都能各取所需检索要 Markdown 和标题层级Agent 要结构化 JSON 和元素链接审核者要能回到原始页、幻灯片和工作表。缺了任何一层后面的切块、检索和工具调用都会受影响。1.2 MinerU 语义包的四件套Markdown、结构化 JSON、元素资产、验收记录把 MinerU 的输出组织好可以从四件套开始。第一件是 Markdown用于阅读、检索和向量化它应该保留标题层级、列表、表头和基本阅读顺序而不是把所有内容压成一段。第二件是结构化 JSON用于程序定位、差异比对和 Agent 工具返回表格、公式、图表、页/幻灯片/工作表来源最好都能在 JSON 里有稳定字段。第三件是元素资产包括表格的行列结构、标题与图注、公式识别结果、图片或图表链接以及页、幻灯片、工作表的来源标识。第四件是验收记录涵盖解析入口、参数、版本、样本哈希、人工验收状态和阻断级别。四件套之间要能互相验证Markdown 里的结论能回到 PPT 页JSON 里的表格能回到 XLSX 工作表与范围公式识别结果能回看原始版面。不要把它理解成“输出格式越多越好”。格式多但没有互相校验关系反而会增加维护成本。真正有用的是可回链每一层输出都带来源每一个来源都能被人工抽查。对高风险数值比如金额、剂量、实验条件、合规字段必须回到原件人工复核。解析器负责结构恢复不替代业务口径判断。1.3 TaoToken 在验收链路里只做 Key 和 Base URLCodex 要跑逐页验收先得有一个可消耗 Token 的模型入口。TaoToken 在这个链路里的角色很窄给 Codex 提供 API Key 和兼容的 Base URL让 Codex 能调用模型来读取、对照和生成验收意见。它不负责打开 DOCX、不负责解析 PPTX、也不负责判断 XLSX 的公式是否算对。这意味着配置时不要把两件事混在一起官网落地页用于注册、创建 Key、看模型广场和查用量填进 Codex 的 Base URL 一律是 https://taotoken.net/api末尾不要加 /v1也不要带 UTM 参数。Key 用占位符 YOUR_API_KEY实际值从 https://taotoken.net/?utm_sourcetaotoken_aicg_blog_endutm_content 创建。模型 ID 不要凭记忆猜以模型广场当时列表为准。2. 先在 TaoToken 拿 Key再让 Codex 读取 MinerU 输出目录2.1 创建 API Key 与模型 ID 的获取位置准备材料这一步原文里如果是“打开官网、注册登录、申请密钥、进入控制台”在现在的链路里就统一成打开 TaoToken 完成。登录后进入控制台创建一把 API Key并把 YOUR_API_KEY 替换成实际值。同时看一眼模型广场记录你要给 Codex 用的模型 ID不同时间上架的模型可能不同不要直接抄旧文章里的 ID。如果你还要跑 Claude Code 或其他编码工具Key 可以在同一个控制台管理。但本文的主线是 Codex 读取 MinerU 输出所以先确保这把 Key 能用在 Codex 的 config.toml 里。Key 的权限、额度、调用记录都可以回到控制台核对发现异常调用时也方便排查。准备一个本地目录例如 ./office-audit下面分 samples、parsed、reports 三个子目录。samples 放 DOCX 制度、PPTX 汇报、XLSX 数据字典和扫描件样本parsed 存 MinerU 输出reports 存 Codex 生成的验收表和人工复核记录。目录固定下来后面复现和回归会轻松很多。2.2 ~/.codex/config.toml 里配置 model_provider 和 base_urlCodex 的配置不要套 Anthropic 的环境变量它用的是自己的 config.toml。下面是一份可复制的示例重点是 model_provider、base_url 和 env_key 三个位置# ~/.codex/config.toml model YOUR_MODEL_ID # 以 https://taotoken.net/?utm_sourcetaotoken_aicg_blog_endutm_content 模型广场当时列表为准 model_provider taotoken [model_providers.taotoken] name TaoToken base_url https://taotoken.net/api env_key TAOTOKEN_API_KEY wire_api chat保存后设置环境变量。Linux 或 macOS 可以这样export TAOTOKEN_API_KEYYOUR_API_KEY codexWindows PowerShell 用$env:TAOTOKEN_API_KEYYOUR_API_KEY codex注意 base_url 末尾不要加 /v1。Codex 会按 provider 配置拼接请求路径多写一层 /v1 容易出现 404。Key 只放在环境变量或本地配置里不要提交到 Git。模型 ID 如果填错第一轮对话就会报模型不存在。2.3 用 mineru CLI 生成可复现的解析资产MinerU 负责解析Codex 负责验收所以先把解析产物跑出来。CLI 适合本地小样本预检每次运行都记下输入哈希、CLI 版本、命令参数和输出目录。示例命令如下换成你自己的文件路径即可mineru -p ./samples/policy.docx -o ./parsed/policy mineru -p ./samples/board-deck.pptx -o ./parsed/board-deck mineru -p ./samples/metrics.xlsx -o ./parsed/metrics # 低资源环境可按官方 CLI 文档选用 pipeline 后端 # 上线前仍应以自身样本确认输出与耗时。 mineru -p ./samples/policy.docx -o ./parsed/policy -b pipeline跑完后不要只留一个 Markdown 文件。把 Markdown、JSON、图片/图表、表格和公式相关文件都保留在 parsed 目录下后续 Codex 才能做元素回链。扫描件和图片型幻灯片可以另开一组用 OCR 语言和版面参数单独记录。原生 Office 的重点是版面分析和元素提取不要把 DOCX、PPTX、XLSX 当成扫描件来跑。如果某个样本解析失败不要笼统写“效果不好”。记下失败类型OCR、版面、表格、公式、图表、权限、超时还是版本漂移。把失败样本加入回归集等 MinerU 或参数变化后重跑。Codex 在后面的验收环节只读取这些已落盘的解析产物和你的验收标准不直接打开受保护工作簿或宏文件。3. 让 Codex 逐页核对DOCX 标题层级、PPTX 图注、XLSX 表头与公式3.1 把验收提示词写给 Codex限定它只看已解析文件Codex 的职责是生成、解释和对照不是替你去执行解析。给它一个明确的验收提示词限定读取范围在 ./parsed 和 ./reports 下要求它按样本集输出 Markdown 表格。提示词可以这样写你是一个 Office 入库验收助手。只读取 ./parsed 目录下的 Markdown、JSON 和元素链接文件不要修改原始 DOCX/PPTX/XLSX。 请按以下样本逐项核对 1. DOCX 制度多级标题顺序、页眉页脚、表格是否混入正文。 2. PPTX 汇报幻灯片标题、图注、图表与结论页的关联是否可回查。 3. XLSX 数据字典多工作表、表头、合并单元格、公式、单位与来源是否可定位。 输出一张验收表字段包括 run_id、doc_id、位置、元素、预期、观察结果、状态、后续动作。 无法确认的项标为 pending不要编造来源。这个提示词不会让 Codex 直接连生产库也不会让它操作业务软件。它只是把已有解析产物当作上下文逐项对照并生成复核记录。真正的高风险数字、法规条款、医学字段还要由读者在本地打开原件人工验收再把确认结果写回 reports。3.2 DOCX 制度样本多级标题、页眉页脚、表格不混入正文DOCX 制度最容易出问题的是标题层级和表格边界。Word 里“第 1 章”“1.1”“1.1.1”可能靠样式和编号共同表达转成 Markdown 后如果只剩纯文本Codex 就难以判断某句话属于哪一级。让它核对时要求它同时看 Markdown 和结构化 JSON 里的标题节点而不是只看正文词汇。表格部分重点看两件事表头是否保留表格是否混入正文。制度里的金额、期限、审批权限经常在合并单元格里如果解析后行列关系丢失Codex 只能看到一串值。验收记录要写明“Word 表 2表头与合并单元格保留”观察结果由读者运行后填写状态先标 pending再由人工复核决定放行或阻断。页眉页脚也不要忽略。版本号、密级、生效日期有时只出现在页眉正文里没有。让 Codex 对照页眉页脚元素确认它们是否被收录是否与正文版本一致。做不到回链的项直接进入失败集不要勉强入库。3.3 PPTX 汇报样本幻灯片标题、图注与结论页回链PPTX 的难点是幻灯片标题、图注和图表之间的关联。汇报里常见一页图表配一句结论下一页再展开分析。如果解析后所有文字被拍平Codex 可能把第 7 页的结论挂到第 9 页的图表上。验收时要让它输出幻灯片编号、标题、图注和图表元素链接逐页回查。图表来源也要记录。图表是图片、嵌入对象还是可编辑矢量会影响后续 Agent 能否调用。对于扫描截图OCR 可以帮忙识别文字但图表数据点未必完整。让 Codex 标记“图表结论可回链”或“图注与正文关联缺失”后者加入失败集。不要因为模型能复述一句结论就认为幻灯片结构已经合格。人工抽查时直接打开原始 PPTX 对照页码。幻灯片标题、图注、结论页的顺序是否与 JSON 中记录一致是判断语义包是否可用的关键。Codex 给出的是验收线索不是最终裁决。3.4 XLSX 数据字典样本工作表、合并单元格、公式与单位XLSX 数据字典通常有多个工作表表头可能占两行合并单元格很多公式还引用其他工作表。MinerU 输出后要同时检查 Markdown 里可读的表和 JSON 里结构化的单元格。Codex 核对时要求它列出工作表名、表头行、数据范围、公式和单位不能只复述数值。公式识别结果要能回看原始单元格。比如“Sheet Metrics”里的某个指标由其他工作表计算而来验收记录应包含公式所在单元格、引用范围和单位。单位如果丢在表头合并单元格里后续 Agent 很容易把“万元”当成“元”。这类项必须人工复核不能只靠模型判断。多工作表样本建议各选一份固定工作表范围后再交给 Codex。不要一次性把整本工作簿丢进去上下文会被无关 sheet 占满。按 sheet 拆分验收记录 doc_id、sheet 名、范围、解析版本和观察结果后续做回归时更好定位。4. 验收记录表与阻断级别run_id、doc_hash、parser_version4.1 一张可复制的验收记录表验收一定要落表不要只在对话里说“看起来没问题”。下面这张表可以直接复制到 reports/office-audit.md由 Codex 生成初稿再由人工填写观察结果和状态run_iddoc_id位置元素预期观察结果状态后续动作r001policy_01Word 表 2表格表头与合并单元格保留待读者运行后填写pending人工复核r002deck_03幻灯片 7图表/图注图表结论可回链待读者运行后填写pending加入失败集r003lab_02Sheet Metrics公式单位、范围与公式可查待读者运行后填写pending阻断或放行每条记录都要带 doc_id、文件哈希、页/幻灯片/工作表位置、元素类型、解析入口、参数、解析版本、预期、观察结果、阻断级别和人工修正。只写“效果不好”无法支撑上线决策。状态可以用 pending、pass、fail、blocked 四档blocked 表示在高风险字段未确认前不允许进入默认知识库。如果同一次解析里多个元素失败按位置拆成多条记录不要合并成一行。这样版本升级后重跑时可以逐条对比哪些问题被修复哪些仍然存在。4.2 失败分类OCR、版面、表格、公式、图表、权限、超时、版本漂移失败样本要分类。OCR 问题包括低清截图、多语言混排、手写批注版面问题包括倾斜、噪声、阅读顺序错乱表格问题包括表头丢失、合并单元格错位、行列错位公式问题包括识别不全、单位丢失、引用范围错误图表问题包括图注脱离、图表数据不可回链。权限和超时也要单独记录。受保护工作簿、加密文档、宏文件可能无法解析这类样本不要硬塞进主流程应该进入专项失败集。超时可能和文件大小、页数、后端选择有关记录错误码和重试次数不要反复重试却不留日志。版本漂移是最隐蔽的一类MinerU、SDK、MCP Server、模型或参数变化后同一份文件输出可能不同。记录样本哈希和解析版本才能在版本升级后知道差异从哪里来。4.3 已验收资产再进知识库失败项进回归集默认知识库只接收通过或完成人工复核的资产。失败项不要直接删除加入回归集等解析器或参数变化后重跑。高风险的金额、实验条件、法规条款、医学字段必须有明确的人工验收记录不能由 Codex 单独放行。Codex 在这里的作用是加速对照和生成表格不是替代人工判断。它可以读取已验收的 Markdown、JSON 和元素链接帮你把问题清单整理出来但最终是否阻断入库要按业务口径和高风险字段的验收结果来定。把这条边界写进团队规范后续维护会省很多争议。5. 排障Codex 报 401、404或 MinerU JSON 字段对不上5.1 401 与 404先查 Key、Base URL 末尾和模型 IDCodex 报 401通常先查环境变量名和值。config.toml 里写的是 env_key TAOTOKEN_API_KEY那终端里就必须有同名变量并且值是 YOUR_API_KEY 对应的真实 Key。如果 Key 创建后没有复制完整或者用了别的项目的 Key也会 401。回到控制台重新创建一把再试一次。404 多数是路径或模型 ID 问题。Base URL 必须填 https://taotoken.net/api末尾不要加 /v1。有人习惯性写成 https://taotoken.net/api/v1Codex 再拼接一次就会多出路径。模型 ID 也要以模型广场当时列表为准旧文章里的 ID 可能已经下架。把错误信息、provider 配置和模型 ID 一起贴回对话逐项排除。如果 401 和 404 同时出现先解决 401。认证没通过时模型查询失败也可能表现为找不到模型。5.2 MinerU 输出缺表头、缺公式、缺图注时怎么定位Markdown 看起来能读不代表结构化 JSON 合格。缺表头时先看 MinerU 输出目录里有没有对应的表格元素文件再检查 CLI 版本、后端参数和 OCR 语言。缺公式时确认公式是原生 Office 公式、图片公式还是嵌入对象不同来源的识别路径不同。缺图注时回看幻灯片或 Word 页面确认图注是文本框、图片题注还是组合形状。把失败样本按位置记录不要用“表格解析不好”一句话带过。Codex 可以帮你对比 Markdown 与 JSON 的字段差异但它看不到原始版面里未输出的元素。人工需要打开原件确认是解析丢失还是本来就没有。定位清楚后再决定是换参数、换后端还是把该页加入人工处理队列。5.3 上下文太长与 Token 消耗过快时的拆分策略Office 语义包很容易把上下文撑大尤其是多工作表 XLSX 和几十页 PPTX。不要让 Codex 一次性读完整本工作簿。按文件、按工作表、按幻灯片分组只把怀疑有问题的页或 sheet 连同验收标准交给它。Markdown 用于通读JSON 用于定位元素链接用于回查三者按需取用。Token 消耗过快时回控制台看调用记录确认是不是把整份解析产物重复塞进了多轮对话。把验收提示词固定下来输出表格式结果避免让模型自由发挥。长期批量验收可以评估 Coding Plan 是否合适但具体套餐和额度以控制台当时显示为准不要照搬旧数字。6. 把已验收的 Office 语义包交给 Agent并在模型对话里复核调用6.1 MCP 只读已验收结果不让 Agent 任意读工作簿如果要用 MCP 把 MinerU 结果接给 Agent建议只暴露已验收资产不要让 Agent 任意上传本地文件或读取任意工作簿。一个受控的 MCP 配置思路如下{ mcpServers: { mineru: { command: uvx, args: [mineru-open-mcp], env: { MINERU_API_TOKEN: YOUR_MINERU_TOKEN } } } }上层策略先查询 doc_hash、parser_version、parameters 和 accepted 状态。命中已验收资产时只读取 Markdown、JSON 和元素链接未命中、已失效或权限不足时再创建解析任务并把结果送入人工抽样队列。MCP 在这里是读取已验收结果的通道不是让 Agent 直接操作生产库或执行导入导出的入口。6.2 去模型对话发一条测试消息再回控制台看这次调用Codex 配置保存后先在 TaoToken 模型对话 里用同一把 Key 发一条测试消息确认模型 ID 和 Base URL 没填错。然后回到本地让 Codex 读取 ./parsed/policy、./parsed/board-deck、./parsed/metrics生成一份验收表初稿。对比两边的输出如果模型对话正常而 Codex 报错多半是 config.toml 的 provider 或环境变量问题。验收跑完后回到控制台看这次调用是否记上账。用量异常时检查是不是把整本 XLSX 塞进了上下文或者同一批文件重复跑了多轮。把验收表、失败样本和调用记录放在同一个 run_id 下后续版本升级重跑时可以直接对比。6.3 下一步Coding Plan 与 Key 管理如果只是偶尔验收几份 Office 文档按需调用即可。要长期跑批量入库、每天让 Codex 对比解析差异可以打开 Coding Plan 看套餐是否够用。新的 Key 在 控制台 API Keys 创建旧 Key 该轮换就轮换。Claude Code 接入文档在 这里如果你同时用多个编码工具可以把 Key 和 Base URL 的对应关系单独记一份。把这批 DOCX 制度、PPTX 汇报、XLSX 数据字典跑完验收后别急着把整个目录塞进默认知识库。先看失败集里还有多少 blocked 项再决定哪些可以放行。下一次 MinerU 或 Codex 版本变化时把同一批样本重跑一遍对照旧记录看差异。验收这件事慢一点反而省时间。