模板OCR的真正替代方案：按内容读取文档而非坐标

模板OCR之所以在演示中表现完美，是因为演示文档的布局从不改变。然而在实际业务中，供应商可能调整发票设计、扫描件旋转两度、行项目表格行数变化，这些都会导致提取结果静默出错。传统的智能文档处理平台（如ABBYY、Kofax、Rossum、AWS Textract等）虽然允许构建更复杂的模板，但其核心仍然依赖于描述数据在页面上的位置。

模板库的真正成本体现在上线之后：每个不同布局都需要单独模板，中型应付账款部门可能面对数百种供应商格式，每个模板都是一件需要构建、测试和维护的软件制品。新供应商无法处理直到有人绘制并验证模板，模板会因供应商重新设计而静默失效，后处理规则堆叠导致管线难以理解。直通处理率仅在模板覆盖的布局上高，但布局变化时立刻降为零。机器学习文档分类可以自动识别布局并选择模板，但仍以布局为工作单元，继承了同样的天花板。

真正的替代方案是放弃坐标描述，转而像人一样阅读文档。LlamaParse等智能体OCR通过布局感知计算机视觉将页面分割为真实组件（页眉、行项目表格、徽标、签名等），并将每个组件路由到最适合的模型（印刷文本用快速OCR，手写或印章用视觉语言模型，密集表格用表格专用模型）。无需定义区域，也无需在新供应商发票到来时重新绘制，系统寻找的是发票号本身，而不是矩形坐标。

这一架构变更消除了整个模板维护负担：没有模板库、没有上线延迟、没有漂移。新供应商的第一张发票与昨日处理过的发票通过同一管线，无需任何配置。以下对比展示了模板OCR与智能体OCR在真实事件中的差异：新供应商发票到达时，模板OCR需要手动绘制模板，智能体OCR无需设置；行项目表格行数变化时，模板OCR的固定网格会溢出或丢失，智能体OCR自动检测表格并完整读取；页面旋转或倾斜时，模板OCR的坐标映射失效，智能体OCR的布局检测自动适应；供应商重新设计时，模板OCR立即崩溃，智能体OCR无模板可破。

智能体OCR还提供模板无法做到的置信度信号：每个字段携带一个分数，低置信度值被标记以供人工审查，而不是静默流入系统。这实现了定向人工在环审阅，只将真正不确定的5%路由给人，其余直通处理。LlamaParse已基于此方法处理了超过10亿份文档，支持90多种文件格式，栈中没有任何基于供应商的模板。

模板在格式变化速度超过维护能力的工作流中伤害最大。应付账款场景下，数百种发票格式使模板库成为全职维护工作，而智能体OCR处理新供应商的第一张发票无需设置。汇款通知和医疗报销单据（EOBs）的格式因付款人而异，固定区域无法追踪字段位置。物流单据如提单、装箱单和商业发票跨越国境、承运商和语言，没有规范布局，按结构而非坐标读取是唯一能应对如此多变化的方案。

模板OCR的时代正在终结。当文档种类少且稳定时，绘制几个区域处理可预测的流是可行的。但如今供应商按自己的节奏重新设计，文档类型激增，布局变化速度已超过维护模板的速度。用更多模板修补这个缺口是败局，而最感痛苦的正是拥有最大模板库的团队。造成问题的架构无法解决问题，因为问题就是架构本身。