工作原理
数据如何处理
从 PDF 到可问答的标准字段：MinerU 解析提取、口径对齐、标准字段库、纠错机制——每步都交代「这对你意味着什么」。
财报原件是给人读的 PDF，不是给机器读的数据。从一份 PDF 到「能问答、能核对的标准字段」，隔着几步加工。本页逐步拆开。
第一步：结构化提取
分两层。
解析：用开源文档解析引擎 MinerU 把财报 PDF 解析成带坐标的结构块——每张表格、每个段落、每个标题，都带着「在第几页、页面上什么位置」的信息。
重组：在解析结果之上，再做财报特有的加工：跨页断开的大表重新拼接成一张；表格标题与所属章节归位；每个数字的位置坐标随数据入库。
这对你意味着什么：角标点开能精确高亮到原件的那一行，不是「大概在这一页」；检索原文段落（比如问「管理层怎么解释毛利下滑」）命中的文字也自带位置，可直接跳回原件。
第二步：口径对齐
三类真实存在的乱：
- 不同公司，同一指标叫法不同；
- 同一家公司，跨年口径会变——准则调整、追溯重述、报表项目改名；
- 甚至繁简体混排：有的公司早年年报是纯繁体。
对齐的标准是现成的：财报披露通行的 XBRL 概念体系（它是什么，见财报的树）。清洗阶段把各家各年的叫法映射到概念树上的标准概念。
这对你意味着什么：你问「毛利率」，不用管这家公司在附注里管它叫什么；跨年对比不会被改名骗到。
第三步：标准字段库
加工的终点是一条条标准记录：某公司、某报告期、某概念＝一个值，单位统一、带溯源坐标。
一个特别的设计：「未披露」也是一条记录。某份报告确实没披露某个字段，会被明确记下来，而不是留一个空白。
这对你意味着什么：溯言能区分「这家公司没披露」和「我们还没处理到」——两种情况答复不同，不会含糊成一句「没数据」。
数字错了怎么办
质检发现错值时，纠正以记录的形式追加，数据按纠正重新生成——不悄悄就地改数。
这对你意味着什么：每个值的来龙去脉可追溯；你今天核对过的数字，不会明天被静默换掉。
字段库不是一次灌满的——哪些字段、什么时候、为谁被加工，有三条不同的路径，见数据怎么长全。