MountainCar 是一个经典的强化学习环境，目标是通过控制小车的加速方向（向左/向右/不加速），使其从山谷底部到达右侧山顶（旗帜位置）。挑战：小车动力不足，无法直接冲上坡，需要利用重力在两侧坡面之间来回摆动积蓄能量。成功标准：总奖励 > -110（约 140 步内到达山顶）

在AI Agent的研发圈子里，一个新概念正在被反复提起：Harness Engineering，中文可以翻译成“驾驭工程”。它指的是在AI系统中，除了模型本身之外，所有用来保障系统稳定交付、可靠执行任务的工程组件总和。如果说模型是引擎，那Harness就是方向盘、刹车、燃油系统和仪表盘，没有它，再强的引擎也无法安全上路。我们不妨先回顾一下AI工程化的三个演进阶段，这能帮我们更好地理解Harnes

推理任务的数据标注是一场对逻辑严谨性的极致追求。它要求我们不仅设计出引导正确思考路径的思维链，还需对思考过程本身进行细粒度监督，并通过严格的培训与量化体系确保每一步标注都经得起逻辑推敲。从依赖昂贵人工的PRM800K，到自动化高效的OmegaPRM，再到领悟“推理模式”即可的PARO框架，技术演进的核心始终是：如何以可持续的成本，为模型注入更可靠、更深刻的推理能力。

MountainCar 是一个经典的强化学习环境，目标是通过控制小车的加速方向（向左/向右/不加速），使其从山谷底部到达右侧山顶（旗帜位置）。挑战：小车动力不足，无法直接冲上坡，需要利用重力在两侧坡面之间来回摆动积蓄能量。成功标准：总奖励 > -110（约 140 步内到达山顶）

从之前的实践来看，结构化解析的效果是明显强于常规的文件内容提取的。相对于常规的文件内容提取，结构化解析保留了文件的层级结构以及各个层级的标题信息，可以有效提升文档内容的召回率。常规 RAG 文件解析方案为了尽可能提升结构化解析能力，常规情况下会选择实现基础文件类型的结构化解析，其他文件尽可能转换为基础文件类型。而目前最常见适用于结构化解析的基础类型为 html 和 markdown。比如目前最常见

MountainCar 是一个经典的强化学习环境，目标是通过控制小车的加速方向（向左/向右/不加速），使其从山谷底部到达右侧山顶（旗帜位置）。挑战：小车动力不足，无法直接冲上坡，需要利用重力在两侧坡面之间来回摆动积蓄能量。成功标准：总奖励 > -110（约 140 步内到达山顶）

做这个对比分析，是为了更好地学习RAG文档解析环节。之前盲目地相信AI coding，没了解PDF解析原理，在批量解析PDF构建向量数据库后，通过检索发现并没有得到有效解析。用的工具是MinerU，进行版面分析，后退策略（若是MinerU不可用，现在看来根本没必要）使用PyMuPDF，在解析过程中一直反馈依赖安装问题，也就是magic-pdf一直报错（不存在，即使我已经安装了，但是因为版本原因读取

最近在学习RAG的文档解析板块，发现有太多工具可以使用。之前对比过一些常用的工具，后续发现对这些工具并没有太深入的学习使用方法，就比如docling，当时解析PDF发现不太理想，整体不如MinerU，但是不少博客的对比试验又表明docling也是非常强大的解析工具，更胜于MinerU，所以决定重新学习docling，也学者根据GitHub上的文档来一步一步掌握这个工具。docling项目地址：ht

做这个对比分析，是为了更好地学习RAG文档解析环节。之前盲目地相信AI coding，没了解PDF解析原理，在批量解析PDF构建向量数据库后，通过检索发现并没有得到有效解析。用的工具是MinerU，进行版面分析，后退策略（若是MinerU不可用，现在看来根本没必要）使用PyMuPDF，在解析过程中一直反馈依赖安装问题，也就是magic-pdf一直报错（不存在，即使我已经安装了，但是因为版本原因读取

做这个对比分析，是为了更好地学习RAG文档解析环节。之前盲目地相信AI coding，没了解PDF解析原理，在批量解析PDF构建向量数据库后，通过检索发现并没有得到有效解析。用的工具是MinerU，进行版面分析，后退策略（若是MinerU不可用，现在看来根本没必要）使用PyMuPDF，在解析过程中一直反馈依赖安装问题，也就是magic-pdf一直报错（不存在，即使我已经安装了，但是因为版本原因读取