如何使用LiteParse構建財務盡職調查代理

財務盡職調查是金融領域中文檔最密集的工作流程之一。分析師通常花費高達70%的時間進行手動數據提取，包括將PDF轉錄到電子表格、映射總賬科目以及核對試算平衡表。一筆交易可能涉及數百頁SEC文件，每個數字都需要來源。

本文介紹了一個演示應用，它解決了這個問題：一個AI代理能夠接收SEC文件，跨文件搜索，並以精確的引用回答問題，這些引用會在原始PDF頁面上高亮顯示來源文本。關鍵組件是LiteParse，它能夠從PDF中提取文本以及邊界框座標。利用這些數據，該應用能夠直觀地高亮顯示數字來源，增加了代理回答的可信度和透明度。

架構

該應用是一個Next.js項目，包含三個層次：一個Next.js聊天UI和PDF引用查看器；用於聊天、文檔攝取、SEC EDGAR集成和引用解析的API路由；以及一個核心庫，包含三個文件/職責：PDF解析（ingest.ts）、帶搜索功能的文檔存儲（store.ts）以及代理工具定義（tools.ts）。整個庫代碼約600行。值得注意的是，項目避免了使用向量數據庫、嵌入管道或除LLM API密鑰之外的任何外部基礎設施。這種簡潔性使得項目易於理解和擴展，同時展示了LiteParse的核心用法。

步驟1：使用LiteParse解析PDF

使用LiteParse進行攝取非常簡單。輸入PDF文件路徑（或文件緩衝區），它會返回結構化數據：所有文本以及每段文本的邊界框座標（x、y、width、height）、字體名稱和字體大小。典型的10-K文件（70-100多頁）解析只需幾秒鐘。

步驟2：簡單的文檔存儲

解析後的文檔以平面JSON文件存儲。搜索功能採用關鍵詞匹配而非向量相似度：將查詢拆分為術語，並根據每個頁面包含的術語數量進行評分。還有正則表達式模式，用於更精確的模式匹配（例如，查找美元金額）。作者指出，通常應用中的文檔工作集很小（1-100份文件），並且暴露給代理的工具足以找到相關信息，無需語義搜索。此外，10-K等文件在LLM訓練數據中很常見，可以利用現有知識。

步驟3：為代理提供工具

通過Vercel AI SDK，代理獲得三個工具：list_document（列出文檔）、search_documents（帶查詢、文件通配符、最大結果數和是否使用正則表達式的搜索）和get_page（按文件名和頁碼返回頁面文本）。search_documents中的file_glob參數允許代理將搜索範圍限定到特定文檔（例如*2024*），這在加載多個文件並需要跨期間比較時非常有用。

步驟4：聊天端點

聊天端點使用Vercel AI SDK的streamText與工具調用。系統提示告訴模型已加載哪些文檔以及如何使用引用。提示強調引用必須從文檔中完全複製文本，因為引用系統需要找到確切的字符串來計算高亮位置。如果LLM改寫或重新格式化數字，匹配將失敗。

步驟5：引用系統

當UI遇到<citation>標籤時，它會解析標籤以提取文件名、頁碼和引用的短語；調用/api/cite，該接口使用findTextLocation()在頁面上定位短語；通過將匹配字符映射回原始文本項及其座標來計算邊界框；使用LiteParse的screenshot()方法渲染PDF頁面並繪製高亮疊加。匹配算法採用分層策略，因為LLM並不總是完美的逐字輸出，並且金融文檔中存在一些邊緣情況。如果找到匹配項，邊界框會根據重疊文本項按比例計算。當引用無法驗證時，UI會顯示黃色“未驗證”徽章，而不是隱藏它。

步驟6：SEC EDGAR集成

為了使演示自包含，項目添加了直接的SEC EDGAR集成。用户輸入股票代碼，應用通過SEC的公司文件解析為CIK編號，從EDGAR提交API獲取近期文件，用户選擇要下載的文件，然後下載、用LiteParse解析並添加到存儲中。EDGAR API返回HTML和PDF的混合文件，但應用會使用Puppeteer將HTML轉換為PDF，因此相同的提取管道適用於任何原始格式。

演示的限制與擴展

這是一個演示，而不是生產系統。但要部署到生產環境，只需替換磁盤存儲為S3或類似對象存儲，將平面JSON文件存儲替換為帶有索引搜索的數據庫，並添加用户認證和訪問控制。這些都是在已有核心功能基礎上的工程細節。

完整源代碼在GitHub上。需要Node.js 18+和Anthropic API密鑰。克隆倉庫後，運行npm install，在.env中添加API密鑰，然後npm run dev即可在localhost:3000啓動。在EDGAR標籤頁中搜索股票代碼或上傳文件，開始提問。