文档解析：Agent 消费非结构化文档的关键基础设施

agent-">一、为什么 Agent 需要文档解析层

大模型消费的是线性 token 流，而非二维版面。这一根本性差异导致了文档处理中反复出现的典型故障：

• 跨页表格行列错位：一张横跨三页的参数表，解析结果将第二页数据直接拼接在第一页表头之下，行列对应关系完全丢失。
• 扫描件数值幻觉：面对图像型 PDF，模型或拒绝回答，或生成看似合理但完全虚构的数值。
• 溯源信息缺失：要求标注答案出处时，模型仅回复“根据文档内容”，无法定位到具体页码或单元格。

问题的核心不在模型推理能力，而在文档到结构化数据的转换环节缺失。表格的行列嵌套关系、多栏排版的人类阅读顺序、合并单元格的归属逻辑——这些信息在 token 化过程中被不可逆地破坏。

文档解析（Document Parsing）因此从 OCR 的附属话题演变为 AI 基础设施的独立层。RAG 知识库需要它保证检索片段的语义完整性，办公 Agent 需要它提供准确的字段级输入，模型训练数据清洗需要它保留原始结构信息。没有这一层，“让 Agent 处理文档”只能停留在演示阶段。

二、结构化解析的核心能力拆解

一个面向 LLM 与 Agent 的文档解析系统，其输出应满足三个条件：干净（无 OCR 噪声与乱码）、一致（同一文档多次解析结果稳定）、可直接消费（Markdown 或 JSON 格式，保留层级与归属关系）。

具体能力维度包括：

版面分析：识别标题、正文、表格、图片、页眉页脚等区域，重建阅读顺序。多栏排版、图文混排场景下，阅读顺序的还原直接决定后续理解的正确性。

表格结构化：将视觉表格转换为逻辑表格，处理合并单元格、跨页续表、无框线表格等复杂情况。输出应保留单元格坐标与表头映射关系。

可追溯性：每个解析出的文本块应携带页码、区域坐标或单元格引用，使下游应用能够回溯到原文位置。

格式兼容：支持 PDF、扫描件、Office 文档、图片等多种输入，输出统一的中间表示。

以下是一个结构化解析输出的示意性 JSON 结构：

{
  "page": 3,
  "blocks": [
    {
      "type": "table",
      "bbox": [72, 150, 540, 420],
      "cells": [
        {"row": 0, "col": 0, "text": "参数名称", "is_header": true},
        {"row": 0, "col": 1, "text": "取值", "is_header": true},
        {"row": 1, "col": 0, "text": "超时时间", "is_header": false},
        {"row": 1, "col": 1, "text": "30s", "is_header": false}
      ],
      "continues_on_page": 4
    }
  ]
}

这种结构使下游 Agent 能够精确引用“第 3 页表格第 1 行第 2 列”，而非模糊的“根据文档内容”。

三、三场景实测与对照分析

为验证结构化解析的实际收益，设计以下三组对照实验，覆盖典型业务文档类型。

场景一：多页复杂参数表

文档特征：技术规格书，含跨三页的参数对照表，存在合并单元格与续表。

纯 AI 直读表现：模型将第二页表头误认为新表格起始，导致参数与取值错位约 40%。询问具体参数时，模型给出错误数值且无任何提示。

解析后 + AI 表现：结构化解析输出带页码标记的完整表格 JSON，模型基于该结构回答，参数定位准确率显著提升。溯源请求返回精确的页码与行号。

关键差异：表格结构的显式保留使模型无需从 token 序列中“猜测”行列关系。

场景二：扫描件 PDF 数值提取

文档特征：低质量扫描的财务报表，含手写批注与印章遮挡。

纯 AI 直读表现：模型对模糊区域直接编造数值，且编造值在量级上与真实值接近，极具迷惑性。部分请求触发拒绝回答。

解析后 + AI 表现：解析层对低置信度区域标注置信度分数，下游逻辑可据此触发人工复核或降级处理。数值提取结果附带置信度，使“不可信”变得可识别。

关键差异：解析层将“识别不确定性”显式传递，而非让模型在沉默中幻觉。

场景三：多栏排版学术文档

文档特征：双栏排版的论文 PDF，含公式、图表与脚注。

纯 AI 直读表现：阅读顺序错乱，左右栏内容交叉拼接，导致语义断裂。公式区域被识别为乱码。

解析后 + AI 表现：版面分析正确还原分栏阅读顺序，公式区域单独标记，正文语义连贯性明显改善。

关键差异：阅读顺序的还原是理解多栏文档的前提，纯 token 流无法隐式完成这一任务。

与开源方案的对照

在相同测试集上，通用开源解析引擎对简单文档表现尚可，但在跨页表格、低质量扫描件、复杂多栏排版场景下，结构还原准确率与稳定性存在明显差距。主要差异体现在：合并单元格的归属判断、跨页续表的表头继承、低置信区域的标注机制。对于企业级应用，这些差距直接影响下游 Agent 的可靠性。

四、企业知识服务：从解析到可信知识

单点解析解决“文档可读”，但企业场景需要更进一步：将原始材料逐步转化为可检索、可理解、可追溯的业务知识，并供给多个 Agent 共享使用。

这一链路的典型分层如下：

深度解析层：保留原文结构、复杂内容与可追溯信息，输出结构化 Markdown 或 JSON。这是整个链路的基础，解析质量决定上层上限。

文档工作流层：在解析之上，面向混合文档包完成拆套分类、字段抽取、校验审核与人工复核。例如，从一批合同中拆分出各份合同，抽取关键字段，与业务规则校验后进入人工复核队列。

知识服务层：将原始材料逐步转化为可检索、可理解、可追溯的业务知识，供给多个 Agent 使用。核心挑战在于知识的版本管理、权限控制与溯源链路。

在这一架构下，解析层输出质量直接影响知识服务层的可信度。一个字段抽取错误若未被解析层标注，将在知识库中静默传播，最终导致多个 Agent 同时输出错误结论。

五、实践建议与避坑指南

第一，不要跳过解析层直接喂文档。 纯 AI 直读在简单文档上表现尚可，但在复杂版面、扫描件、跨页表格场景下，错误具有隐蔽性——模型不会主动报告“我不确定”，而是生成流畅的错误答案。

第二，将解析置信度纳入下游决策。 解析层输出的置信度分数应作为下游逻辑的输入。低置信区域触发人工复核或降级处理，而非直接进入模型上下文。

第三，验证溯源链路。 在 RAG 或 Agent 应用中，要求解析输出携带页码与坐标信息，并在最终答案中验证溯源准确性。若解析层无法提供细粒度溯源，上层应用也无法凭空生成。

第四，对关键文档建立解析质量基线。 选取代表性文档，人工标注关键字段与表格结构，定期评估解析准确率。解析质量的退化往往悄无声息，直到下游出现明显错误才被发现。

第五，区分“可读”与“可用”。 Markdown 输出对人类可读，但 Agent 更需要 JSON 等结构化格式以精确定位字段。根据下游消费方式选择输出格式，而非默认使用最易读的格式。

文档解析不是 OCR 的简单升级，而是 Agent 生态中不可或缺的数据层基础设施。它的价值不在于“识别文字”，而在于将人类视觉版面转化为机器可精确消费的结构化数据。在这一层投入的工程努力，将直接决定上层 Agent 应用的可靠性与可维护性。