Semark：把 PDF / Office / HTML / 圖片轉成 RAG-ready Semantic Markdown

RAG Ingestion / Document AI

Semark 解決的是「OCR 有字，但 RAG 沒懂」

把 PDF 丟進 RAG 不代表內容真的進去了。Semark 用 MinerU 做解析/OCR/layout evidence，再接 VLM/LLM 做表單、流程圖、截圖、圖片語意與最終品質修復，輸出 RAG-ready Semantic Markdown、chunks、source maps 與自動分檔。

核心價值：RAG 前處理不能只追求「抓到字」，而要保留欄位關係、流程條件、按鈕路徑、紅框提示與圖片語意，否則 retrieval 召回的是碎片，不是知識。

GitHub reality check

KingsleyOWO/Semark GitHub API 顯示 repo 建立於 2026-06-17、主要語言 Python、Apache-2.0 授權，描述為把 PDFs、Office、HTML、images 轉成 RAG-ready semantic Markdown，含 MinerU、VLM/LLM review、chunks、source maps、自動文件拆分。Threads 發文時約 17 stars，屬早期但方向明確的工具。

文件痛點	Semark 做法	對 RAG 的影響
流程圖	把條件、分支、負責單位寫成結構化 Markdown。	可以回答「如果 A 條件成立要走哪個流程」。
表單 / 表格	重建用途、欄位分組、填寫規則、法律聲明。	避免 OCR 欄位湯，提升 precision。
UI 截圖	將 menu/button paths、紅框、欄位提示、畫面文字轉成可檢索描述。	操作手冊不再只剩死圖。
長文件	主文 + 表單/流程圖/圖片子文件自動拆分。	chunk granularity 更可控，減少混雜召回。
隱私	支援 pattern-based private info masking，預設開啟。	降低 screenshot OCR/VLM 把個資送進 KB 的風險，但不是萬能 DLP。

Allen / BigIntTech 用法：

適合測 Allen KB / OneDrive 文件 mirror 的進階 ingestion：尤其 PDF、流程圖、SOP、表單、報帳/保險文件。
若處理敏感文件，優先本機 Ollama / 內網 OpenAI-compatible endpoint；不要直接把含個資截圖送外部 VLM。
PoC 驗收不要只看 Markdown 漂亮，要用問答集測：欄位、流程分支、截圖提示是否真的可被召回。
早期 repo，正式導入前要檢查 Docker、queue、錯誤重試、檔案清理、source map checksum 與輸出 schema 穩定性。

補充來源：
GitHub: https://github.com/KingsleyOWO/Semark
README.zh-TW: https://github.com/KingsleyOWO/Semark/blob/main/README.zh-TW.md

來源：
Threads: https://www.threads.com/@wyunjen.ovo/post/DbFiDWxAdA5