本稿はおすすめまとめ,不是 MarkItDown / Docling 横评。你要的是:怎么接中小团队「制度/合同转 Markdown + 可检索」试水单、怎么报价、一周内怎么交。我只讲打包费,不写个人收入,不碰分成故事。读完应能照着圈范围、签条款、跑通一单冒烟。
公开价带怎么对照
先把公开价信号摆桌上,用来定边界,不是用来吹单量。海外 Gumroad 一类「文档转 MD / RAG 准备」小服务,常见大约 $49–$299/次包;国内闲鱼散单大约 ¥500–¥3000/包,随城市与扫描难度浮动。开源底座往往免费或自托管——钱在清洗、抽检、脱敏,不在模型名字。
| 信号 | 公开区间 | 我怎么用 |
|---|---|---|
| 海外小服务 | 约 $49–$299/包 | 对标中档;按页数与是否 OCR 拆价 |
| 国内散单 | 约 ¥500–¥3000/包 | 试水固定打包费,合同写死上限 |
| オープンソースツール | 工具免费,工时收费 | 报价单列清洗+抽检,不卖空气中台 |
免责声明:上表为公开观察,不是个人营收证明,也不构成接单或投资承诺。成交以合同为准。
定价再砍三刀。第一刀页数上限——没有上限的「全盘搬家」最后一定免费加班。第二刀 OCR 与非 OCR 分流——扫描件和可复制 PDF 一个价,你必亏。第三刀粗体写「不含对话产品定制」——有人听完「可检索」就想顺便要客服 Agent,范围蔓延必须当场掐掉。我还习惯在报价末尾加「变更单按小时」,避免口头加需求。
交付物聚合:你到底卖什么
别把三件事糊成「搭知识库」。我对外只卖三件土东西:按原文件名组织的 Markdown 目录、一份至少 10 条真实口语的验收问题表、半页运维说明。没有炫酷控制台,没有「智能运营看板」。土,才好验收;好验收,才好结款。有人觉得不够「AI」——正好,我卖的是清洗,不是叙事。
技术路径可以聚合着记,不必篇篇横评:docx/pptx 快转优先 MarkItDown;复杂扫描表更愿意上 Docling;向量侧用 Chroma 或 Qdrant 做冒烟即可。客户要的是「合同里那条竞业限制能不能三秒搜到」。谁把脏活做干净,谁先收到钱。
分成不是绝对不能做,而是不适合试水周。分成要计量、对账、防流量被导走,个人或两人小队第一周扛不住。等你有了三单以上稳定打包费、有了可复用脚本和脱敏清单,再谈增值服务。试水阶段把现金流和边界跑通,比讲愿景重要。
和客户沟通时,主动把「不做什么」说在前面:不做法律意见、不做长期分成、不做未圈定文件的全盘爬取、不做未脱敏材料入库。听起来像赶客,其实是筛客。能接受边界的客户,交付更顺;不能接受的,早散比晚散便宜。
合同五坑先写进报价页
最大的坑是答应「顺便帮你们写几个 Agent」。一写就变成无底洞,打包费立刻不够。合同写死:交付物是 Markdown 树 + 检索可跑通,不含对话产品定制。
第二坑:扫描质量差却假装工具万能。写法示例:「扫描清晰度低于约定阈值时,OCR 人工校对按小时另计;客户可选择降级为只交付机器原始输出。」把选择权还给客户,比事后扯皮舒服。
第三坑:未脱敏员工材料直接丢过来——拒。保密条款没谈拢就不碰文件。你可以热情,不能在合规上热情。
第四坑:验收写成「感觉差不多」。我要求至少 10 条真实问题,并约定「命中原文条款即可,不要求模型写法律意见」。检索命中和「像律师一样回答」是两件事。
第五坑:交付后无限远程支持。支持窗口写成「交付后五个工作日内修转换缺陷」,需求变更另计。没有窗口,你的晚上就不属于你了。
适合谁:会跑 Python、能读开源 README、愿意当面验收的个人或两人小团。不适合:想靠「AI 知识库分成」讲故事的;客户文件涉及未脱敏隐私却不愿签保密的;自己没转过一份扫描 PDF 却开口就要高价的——先拿自家文件练手。
第一周怎么落地:装清洗流水线并跑通
这是本文重心。按天做,做完就能对客户开口。
- D1 圈定与合规:只收 20–40 份「必须入库」文件,拒绝全盘搬家;同步签保密与数据销毁条款;未脱敏身份证/工资单拒收。
- D2–D3 转换:可复制件走 MarkItDown;表格烂的扫描件改 Docling 或人工。同步让客户用口语写 10 条验收问题,禁止自己编「测试题」。
- D4 检索冒烟:Chroma 或 Qdrant 本地挂上。错答超阈值先回头洗语料,别调温度假装进步。脱敏抽检单独留两小时:敏感字段先打码再进索引,原文留在客户侧加密盘;你电脑上的工作副本按约定日期删除并邮件回执。
- D5 交付结清:压缩包 + 验收表 + 半页运维说明;结清打包费。加页另开变更单,不在原打包费里硬塞。
今晚若只做三件事:① 拿一份自家公开制度 PDF 转一遍,写三行「表格损坏率」笔记——没有这三行不要对外报价;② 在闲鱼/Gumroad 搜「文档转 markdown」「知识库清洗」,抄三家公开价带进草稿并标日期;③ 写一页式服务说明(交付物、页数上限、不含项、验收标准)发给熟人试单,熟人也要走保密。

安装:三条命令把底座装齐
python -m venv .venv && source .venv/bin/activate
pip install "markitdown[all]" docling
pip install chromadb sentence-transformers
mkdir -p inbox md idx
Docling 首次运行会下载版面与 OCR 模型,几百 MB 起步,别在客户现场第一次装。Qdrant 熟的人可以 docker run -p 6333:6333 qdrant/qdrant 替代 Chroma,冒烟逻辑不变。
跑通:批量转换 + 冒烟脚本
# 可复制件批量快转
for f in inbox/*.docx inbox/*.pptx; do
[ -e "$f" ] && markitdown "$f" -o "md/$(basename "${f%.*}").md"
done
# 扫描件与烂表格
docling inbox/scan.pdf --to md --output md/
# smoke.py:md/ 按空行切段入库,逐条跑 questions.txt
import pathlib, chromadb
from chromadb.utils import embedding_functions
ef = embedding_functions.SentenceTransformerEmbeddingFunction(model_name="BAAI/bge-small-zh-v1.5")
col = chromadb.PersistentClient(path="./idx").get_or_create_collection("policy", embedding_function=ef)
for p in pathlib.Path("md").glob("*.md"):
paras = [s for s in p.read_text(encoding="utf-8").split("\n\n") if len(s.strip()) > 20]
col.upsert(ids=[f"{p.name}#{i}" for i in range(len(paras))],
documents=paras, metadatas=[{"src": p.name}] * len(paras))
for q in pathlib.Path("questions.txt").read_text(encoding="utf-8").splitlines():
r = col.query(query_texts=[q], n_results=3)
print(q, "=>", [m["src"] for m in r["metadatas"][0]])
配置:三个旋钮,别多调
切块参数先别追求最优:段落平均 200–400 字、丢掉 20 字以下的碎行,已经够跑通试水。真正决定命中率的是原文质量——表格被拍平成一行「序号名称数量」,无论怎么调都得回头修表。我会在 md/ 里人工过一遍金额、期限、责任主体三类字段,只修这三类,不重排全篇。
一是向量模型:Chroma 默认嵌入偏英文,中文制度必须换成 bge-small-zh 一类中文模型,否则 10 问能错一半。二是切块:先按空行切段、丢掉 20 字以下的碎行;条款被拆散就改成按「第 X 条」标题切。三是召回条数 n_results=3:客户核对时看前三条够用,调大只会掩盖语料问题。
翻车:三类最常见
转换翻车:扫描件走了 MarkItDown,出来几乎是空文件——先 wc -c md/*.md 找出异常小的文件,改走 Docling 或人工。检索翻车:问句都命中「目录.md」,因为目录页条款名最全;把目录、页眉页脚段落从 md/ 里删掉再入库。范围翻车:有人把「全盘网盘」当试点,第三天还在等扫描件,第五天仍未出验收表,打包费谈崩——试点包只收已圈定的 20–40 份,扩容包另签、先结清再谈。合规翻车:未脱敏工资条混进制度 PDF,当天停工,先脱敏再交付。
验收:写死三句再请款
① 10 条口语问句中,至少 8 条能定位到原条款段落;② 不要求模型输出法律意见或改写建议;③ 交付包含「文件名映射表」——原 PDF/docx 名 ↔ Markdown 路径,客户能自己打开核对。达不到 ①,不算试水完成,不请款。
验收表按行记:问句、命中文件名、命中段落首句,三列。客户当场能翻到原文,就不会纠缠「模型答得对不对」;翻不到的那两条,就是下一轮要修的表或切块,白纸黑字,谁也别赖。
我还把「验收问句」当成商务工具,而不是技术附件。问句必须来自客户口语:人事会问「试用期不合格怎么辞」、财务会问「差旅超标谁批」。你自己编的「测试题」往往太干净,上线后一问就崩。把问句收集过程写进 D1 会议纪要,客户会更严肃地对待圈定文件这件事。
回款节奏也写进习惯:交付当天发验收表,验收通过或超时未反馈(合同预写)即请款。不要把「再优化两周」当成友情。友情用在介绍下一家客户,不用在无限改稿。
结案三件套:压缩包、验收表、销毁回执(交付后 N 天删除工作副本并邮件回执,客户确认)——缺一件不结案。
工具栈写进附录但不写死版本号:客户以后要换云厂商或模型,清洗产物仍然能用——这是打包费相对「交钥匙大中台」的真实优势。你卖的是干净语料,不是又一次厂商锁定。二期若接问答流程,Haystack 一类开源 RAG 可作选项,明确「二期另议、不在本次打包费内」。
报价页我固定四块:范围(文件类型与页数)、交付物清单、不含项、验收方式。客户只回「差不多就行」时,我把验收方式改成选择题:A 命中原文条款即可;B 需要改写回答(B 另计)。大多数试水单会选 A。选 B 的,工时乘系数,别不好意思。
再说一遍:本文不提供个人收入数字。能不能接到单,取决于验收标准和保密习惯,不取决于口号。脏活报价写清楚的人,比只会堆模型名的人更容易活过试水周。
本文为个人经验分享,不构成投资或收益承诺,结果因人而异。


评论列表 (0条):
加载更多评论 読み込み中...