解析不可读：LlamaParse如何处理法律发现文件

在法律诉讼中，发现（discovery）阶段是双方交换相关文件的过程，通常涉及数十万份文件，被美国联邦法院系统描述为“噩梦”和“泥沼”。律师事务所依赖eDiscovery平台（如Relativity、Everlaw和DISCO）来管理这些文件，但这些平台需要首先正确解析文件。问题在于，对方提供的文件往往难以处理：它们通常是扫描件，分辨率低、黑白、旋转角度不一，传统OCR工具在这些文件上表现不佳，经常产生拼写错误，如“settlement”变成“s ettl em ent”，导致搜索失败。

更关键的是，这些文件不仅包含文本，还有照片、PowerPoint图表、表格和手写注释。文本搜索无法处理这些内容，而手动标记又耗时耗力。LlamaParse正是为解决这一问题而设计的。它使用多模态模型，不仅能提取文本，还能理解页面视觉布局，描述图像和图表，处理复杂表格和混合内容。对于法律发现，这带来了几个传统OCR无法实现的能力：它更好地处理低质量扫描件，即使模糊或倾斜也能输出可用结果；它保留并呈现视觉内容，使照片和图表可以被索引；它允许通过自定义解析指令指导行为，例如提取特定格式的案例编号或证物标记。

设置LlamaParse进行发现文件解析很简单。首先安装llama-cloud包并设置API密钥。API分为两步：上传文件然后启动解析作业。对于发现文件，建议使用“agentic_plus”层级，它针对复杂布局和视觉内容进行了优化。关键功能是custom_prompt，可以输入自然语言指导，例如“这些是法律发现文件，可能是低分辨率扫描件。请提取所有可见文本，纠正OCR伪影，识别并描述照片，提取表格数据，注意手写注释，保留案例编号等。”此外，还可以指定输出格式，如Markdown、文本或结构化的“items”视图。

更好的解析意味着下游系统能更有效地工作。如果搜索索引基于充满OCR错误的文本，语义搜索和分类的召回率会降低。LlamaParse作为基础层，确保文档可读且结构化，从而让上层系统（如法律检索或分类）发挥最大作用。对于希望尝试的用户，LlamaParse提供免费层级，文档中有完整的API说明。