传送锚点
- MinerU
- 共绩算力
- 实操记录
- 节点建立
- 远程连接
- 环境部署
- 调试优化
- 结语
前一阵子刷到一个很有意思的操作：有人直接把一台服务器的权限扔给了 AI，并简单说了句目标。
然后，AI 就从零开始安装环境、配依赖，拉仓库，启动服务，最后成功完成了对外服务的提供。
今天，我们就尝试下这个思路：让TRAE SOLO自行在远程服务器中搭建一套MinerU环境。
MinerU
首先，简单介绍下MinerU。
MinerU是一款能将PDF/图片转换为机器可读格式（例如markdown、JSON）的工具，诞生于上海人工智能实验室出品大模型InternLM的预训练过程中。
核心特性：
多模态文档解析：支持多种文档类型，包括扫描版 PDF
结构化还原：可识别表格、公式、分子式等
高保真语义理解：利用布局分析和阅读顺序推理，避免传统 OCR 机械识别导致的逻辑错乱。
本地化 & 开源免费：全部模型和代码开源，可私有部署，无需调用外部 API，保障数据隐私。
共绩算力
AI 要部署的应用已经了解了，现在需要给 AI 找一个可以操作的服务器。
最近我使用的算力平台是“共绩算力”，RTX 4090只要1.68元/小时，还能按毫秒计费、自动扩容，非常便于我根据研究的模型挑选合适的节点配置。
尤其是目前，平台还有福利，注册就送算力券。
实操记录
节点建立
注册并登录“共绩算力”平台。
在“云主机”页面选择合适的节点
选择合适的节点类型后，配置相关镜像、存储等，我这里配置了“基础镜像”，由于是测试搭建模型，未配置相关存储。
如果是第一次租用，账户余额为 0，会要求充值一下（0.01元即可），然后，需要在个人中心关注下公众号，这些按照页面提示进行即可。
租用成功后，会在“控制台”-“云主机列表”中看到租用的节点。
24G 显存、63G 内存，1小时 1.68 元，并且有算力券抵扣，还很合适的。
远程连接
第一步，我们先来调整下SSH连接的命令，让其支持端口映射，方便访问 demo。
在上一步的“云主机列表”-“SSH登录信息”中，复制出登录指令，格式如下。
ssh root@hdy1.550c.cloud -p 40002增加端口映射参数。
ssh -vvN -L 7860:127.0.0.1:7860 root@hdy1.550c.cloud -p 40002其中7860是MinerU demo的服务端口。
第二步，我们打开TRAE进行远程连接。
输入上面的指令，回车即可。
此时会要求录入密码，再次从“云主机列表”-“SSH登录信息”中复制“登录密码”即可。
如果同一地址连接多次，可能会在 SSH 连接中生成多个相同的 Host，此时会出现登录失败的情况，手动删除重复的 Host 即可。
成功连接后，终端信息如下。
正常情况下可以在编辑器中打开远程文件夹，也可以在终端执行命令了。
但今天，我们都交给 AI。
环境部署
开发环境：国际版SOLO Coder智能体，未选择Plan模式。
直接在Chat窗口录入如下指令，等待完成。
指令
指令非常简单，让 AI 参考MinerU官方仓库文档，自行完成部署。
因为模型下载涉及到HuggingFace的网络问题，一般各大算力企业都会提供镜像内容，这里把“共绩算力”的镜像文档也放上了。
参考github文档https://github.com/opendatalab/mineru?tab=readme-ov-file ，帮我完成mineru的安装，并完成demo启动。 云服务器文档：https://www.gongjiyun.com/docs/server/introduction/rznmwsy13i4a8yktuyycoxyinmg/过程
过程很清晰：安装依赖、下载模型、启动Demo。
后面还有详细的安装步骤、网络加速与镜像建议、常用参数与优化、问题排查、后续可选增强等内容，便于我们回顾审阅。
SOLO 模式的好处就是中间遇到问题，它可以自行解决。
最后还给出了 demo 的访问方式。
结果
命令执行完成后，SOLO内置浏览器已经帮我把 demo 打开了。
这里可以通过http://localhost:7860/访问到服务器，就是因为“远程连接”章节中的 SSH 命令中增加了端口映射。
调试优化
上面跑起来的 demo，上传测试的 PDF 后，转换报错。
不着急，我们直接让SOLO帮忙修复下。
指令
demo中上传后报错，请帮我修复过程
SOLO可以从终端中获取错误信息，快速定位问题：
“上传解析时报错的根因是 Gradio 处理流程在解析时尝试访问 HuggingFace 获取模型元数据，出现 SSL 错误导致函数返回 None ，最终触发 TypeError: cannot unpack non-iterable NoneType object ”
结果
再次上传PDF，可以看到提取结果了，已经完成了今天的既定目标了。
er由于模型参数未调优，识别中存在些许问题，非此次分享重点，我们就不再讨论了。
结语
整个过程还是非常顺利的，除了我第一次忘记配置模型镜像下载导致的失败。
之前以为 AI 可以自己SOLO代码就很酷了，没想到，AI 都已经可以自己掌控服务器了。
给个目标，就能直接等待验收？那后续技术验证、环境搭建脚本岂不是更轻松了。
当部署、调试、优化也能交给 AI 自主完成后，开发者就有了更多的时间去思考“做什么”而非“怎么做”——这或许才是智能时代的生产力跃迁。
