kreuzberg

kreuzberg skill の概要

kreuzberg でできること

kreuzberg skill は、Kreuzberg を使って 91 種類以上の文書形式からテキスト、表、メタデータ、画像、OCR ベースのコンテンツを抽出するためのものです。Python、Node.js/TypeScript、Rust、そして CLI をネイティブにサポートしています。単発のプロンプトで「たぶんこう解析されるはず」と推測するのではなく、信頼性の高い文書処理コードが必要な人に最適です。

どんな人がインストールすべきか

PDF、Office ファイル、画像、HTML、メール、アーカイブ、学術系ファイルを構造化出力に変換したいなら、kreuzberg を導入する価値があります。とくに、スキャン品質、バッチ処理、多言語 OCR が重要なケースに向いています。取り込みパイプライン、文書検索、RAG の前処理、抽出ツール作りとの相性が良い skill です。

何が違うのか

kreuzberg skill の最大の強みは、実装寄りであることです。インストール方法、抽出モード、設定、バッチ処理、エラーハンドリング、複数ランタイムにまたがるプラグインまでカバーしています。つまり、実際に動かせるコードが必要なときに、単なる「この文書を分析して」という一般的なプロンプトよりずっと役に立ちます。

kreuzberg skill の使い方

インストールして対象ランタイムを先に確認する

手早く kreuzberg install したいなら、まずは実際に本番で使うランタイムから始めてください。

pip install kreuzberg
npm install @kreuzberg/node
cargo install kreuzberg-cli

次に、対応する API リファレンスを先に読みます: references/python-api.md、references/nodejs-api.md、references/rust-api.md のいずれかです。CLI を使う場合は references/cli-reference.md から始めてください。最初から全部を一度に聞くより、まず 1 つのランタイムと 1 つの文書タイプに絞るほうが、この skill は力を発揮します。

ざっくりした依頼を使えるプロンプトに変える

よい kreuzberg usage のプロンプトには、ファイル形式、抽出目的、ランタイム、制約を入れます。たとえば、「Python で kreuzberg を使って、スキャン済み PDF から請求書のテキスト、表、OCR を抽出し、改行は維持して、下流の解析に使える JSON を返して」といった形です。単に「PDF からデータを抽出して」よりずっと良いのは、表を優先するのか、OCR が必要なのか、きれいなテキストが欲しいのかを skill に伝えられるからです。

まず読むべきファイル

実用的な kreuzberg guide としては、読む順番が大事です。まず SKILL.md、次に references/configuration.md、その後に対象ランタイムの API ファイル、そして references/supported-formats.md を確認してください。プラグイン、OCR の調整、バッチ動作が必要なら、そこで references/advanced-features.md を開きます。この順番にすると、導入可否を左右しやすいポイント、つまりインストール形態、対応入力、設定の既定値が見えやすくなります。

仕事に合うワークフローを使う

1 ファイルだけ処理するなら、まずはシンプルな extract_file か CLI の extract を使い、出力が崩れている場合にだけ MIME ヒントや config を足してください。大量ファイルを処理するなら、早い段階でバッチ用ヘルパーとエラーハンドリングを確認しておくべきです。kreuzberg for PDF Processing では、ベースの抽出呼び出しより OCR 設定と出力形式のほうが重要になることが多いので、スケールさせる前にそこを検証してください。

kreuzberg skill の FAQ

kreuzberg は PDF 専用ですか？

いいえ。PDF は主要な用途のひとつですが、この skill は Office 文書、画像、HTML、メール、アーカイブ、学術系フォーマットも扱います。入力形式が混在する取り込み処理なら、kreuzberg は PDF 専用ツールより適しています。

skill を使う前にライブラリを知っている必要がありますか？

いいえ。ただし、対象ランタイムと出力のゴールは把握しておく必要があります。文書タイプ、OCR の要否、プレーンテキスト、Markdown、JSON、構造化メタデータのどれが欲しいかを説明できれば、kreuzberg skill は初心者にも使いやすいです。

どんな場合に kreuzberg を使わないほうがいいですか？

主な目的が抽出ではなく意味要約なら、kreuzberg は外してください。また、コード出力が不要で、1 つの文書に対して手早い手動プロンプトだけ欲しい場合も、わざわざ使う必要はありません。OCR、表、複数形式対応が要らないパイプラインなら、機能過多になることもあります。

通常のプロンプトと何が違いますか？

通常のプロンプトでも作業内容は説明できますが、kreuzberg usage で重視するのは、文書抽出に必要なインストール、API 呼び出し、config、失敗時の扱いまで含めて整えることです。出力品質がランタイム設定、OCR バックエンドの選択、バッチ処理の詳細に左右されるなら、こちらのほうが向いています。

kreuzberg skill を改善する方法

入力の形を最初に伝える

kreuzberg skill の結果を良くする一番の近道は、ファイル形式、元データの品質、欲しい出力を明示することです。「スキャン済み PDF」「デジタル PDF」「請求書の表」「メールの添付ファイル」「見出しを保持したい」といった情報を入れてください。こうした条件で、OCR、チャンク分割、単純抽出のどれを既定にするべきかが変わります。

避けたい失敗をはっきり書く

最初の出力が微妙なら、何が問題だったのかを伝えてください。たとえば、表が抜ける、改行が壊れる、OCR が遅い、言語判定が不正確、画像ノイズが多い、などです。kreuzberg for PDF Processing では、これにより OCR バックエンド、設定、出力形式のどれを調整すべきかを絞り込みやすくなり、ワークフロー全体を作り直さずに済みます。

具体例を使って反復する

改善ループとしては、失敗したファイルの状況説明と、目標結果を 1 つずつ貼るのが有効です。たとえば、「このスキャン請求書から、請求書番号、合計金額、発行元、明細行を JSON で出したい」といった具合です。「もっと正確にして」とだけ伝えるよりずっと役立ちます。skill 側で、実際のスキーマや文書タイプに合わせた抽出方針を調整しやすくなるからです。

まずは狭く始めて、あとから広げる

最初は 1 つのランタイム、1 つの形式、1 つの抽出モードに絞ってください。基本の kreuzberg install と抽出経路が動いたら、その後でバッチ処理、プラグイン、高度な設定を追加します。こうすると混乱が減り、問題がインストールなのか、OCR なのか、下流の解析なのかを切り分けやすくなります。