如何使用LiteParse构建财务尽职调查代理

财务尽职调查是金融领域中文档最密集的工作流程之一。分析师通常花费高达70%的时间进行手动数据提取，包括将PDF转录到电子表格、映射总账科目以及核对试算平衡表。一笔交易可能涉及数百页SEC文件，每个数字都需要来源。

本文介绍了一个演示应用，它解决了这个问题：一个AI代理能够接收SEC文件，跨文件搜索，并以精确的引用回答问题，这些引用会在原始PDF页面上高亮显示来源文本。关键组件是LiteParse，它能够从PDF中提取文本以及边界框坐标。利用这些数据，该应用能够直观地高亮显示数字来源，增加了代理回答的可信度和透明度。

架构

该应用是一个Next.js项目，包含三个层次：一个Next.js聊天UI和PDF引用查看器；用于聊天、文档摄取、SEC EDGAR集成和引用解析的API路由；以及一个核心库，包含三个文件/职责：PDF解析（ingest.ts）、带搜索功能的文档存储（store.ts）以及代理工具定义（tools.ts）。整个库代码约600行。值得注意的是，项目避免了使用向量数据库、嵌入管道或除LLM API密钥之外的任何外部基础设施。这种简洁性使得项目易于理解和扩展，同时展示了LiteParse的核心用法。

步骤1：使用LiteParse解析PDF

使用LiteParse进行摄取非常简单。输入PDF文件路径（或文件缓冲区），它会返回结构化数据：所有文本以及每段文本的边界框坐标（x、y、width、height）、字体名称和字体大小。典型的10-K文件（70-100多页）解析只需几秒钟。

步骤2：简单的文档存储

解析后的文档以平面JSON文件存储。搜索功能采用关键词匹配而非向量相似度：将查询拆分为术语，并根据每个页面包含的术语数量进行评分。还有正则表达式模式，用于更精确的模式匹配（例如，查找美元金额）。作者指出，通常应用中的文档工作集很小（1-100份文件），并且暴露给代理的工具足以找到相关信息，无需语义搜索。此外，10-K等文件在LLM训练数据中很常见，可以利用现有知识。

步骤3：为代理提供工具

通过Vercel AI SDK，代理获得三个工具：list_document（列出文档）、search_documents（带查询、文件通配符、最大结果数和是否使用正则表达式的搜索）和get_page（按文件名和页码返回页面文本）。search_documents中的file_glob参数允许代理将搜索范围限定到特定文档（例如*2024*），这在加载多个文件并需要跨期间比较时非常有用。

步骤4：聊天端点

聊天端点使用Vercel AI SDK的streamText与工具调用。系统提示告诉模型已加载哪些文档以及如何使用引用。提示强调引用必须从文档中完全复制文本，因为引用系统需要找到确切的字符串来计算高亮位置。如果LLM改写或重新格式化数字，匹配将失败。

步骤5：引用系统

当UI遇到<citation>标签时，它会解析标签以提取文件名、页码和引用的短语；调用/api/cite，该接口使用findTextLocation()在页面上定位短语；通过将匹配字符映射回原始文本项及其坐标来计算边界框；使用LiteParse的screenshot()方法渲染PDF页面并绘制高亮叠加。匹配算法采用分层策略，因为LLM并不总是完美的逐字输出，并且金融文档中存在一些边缘情况。如果找到匹配项，边界框会根据重叠文本项按比例计算。当引用无法验证时，UI会显示黄色“未验证”徽章，而不是隐藏它。

步骤6：SEC EDGAR集成

为了使演示自包含，项目添加了直接的SEC EDGAR集成。用户输入股票代码，应用通过SEC的公司文件解析为CIK编号，从EDGAR提交API获取近期文件，用户选择要下载的文件，然后下载、用LiteParse解析并添加到存储中。EDGAR API返回HTML和PDF的混合文件，但应用会使用Puppeteer将HTML转换为PDF，因此相同的提取管道适用于任何原始格式。

演示的限制与扩展

这是一个演示，而不是生产系统。但要部署到生产环境，只需替换磁盘存储为S3或类似对象存储，将平面JSON文件存储替换为带有索引搜索的数据库，并添加用户认证和访问控制。这些都是在已有核心功能基础上的工程细节。

完整源代码在GitHub上。需要Node.js 18+和Anthropic API密钥。克隆仓库后，运行npm install，在.env中添加API密钥，然后npm run dev即可在localhost:3000启动。在EDGAR标签页中搜索股票代码或上传文件，开始提问。