为何深度提取优于单次流水线

在文档处理领域，单次流水线在演示中看似完美，但在真实世界的复杂文档上却频频失效。例如，一份200页的发票可能在第47页悄悄丢失行项，或者合并本不应合并的条目。直到数据流入支付、合规或审计流程，错误才被发现。核心问题在于单次提取缺乏问责循环：模型一次性提取后直接输出，没有验证、没有对账、也没有机制标记遗漏。输出看似完整，因为流水线本身不知道“完整”的定义。

深度提取通过迭代式智能体驱动的方法解决了这一问题。它先提取，然后对照源文档验证输出，识别差距或不一致，并重新提取，直到输出达到规定的质量标准。这种架构强制执行问责性，而单次流水线无法做到。在处理高风险文档时，这一差异至关重要。从使用前沿模型时10-20%的字段准确率，到通过智能体验证循环达到99-100%，这并非渐进式改进，而是截然不同的结果：一个是可行的演示，另一个是经得起生产考验的流水线。

单次流水线还有一个根本盲点：它无法捕捉自己的错误。如果模型跳过了某一行，没有任何机制标记，流水线继续运行。语言模型在处理长而重复的任务时会走捷径，例如在500页的基金报表中，它们会提前停止、合并条目或静默丢弃记录。注意力随规模下降，模型将文档视为需要总结的内容，而非需要审计的对象。复杂的文档（多栏布局、嵌套表格、修改其他页面数值的脚注、包含数据的嵌入图像）进一步放大了问题，单次流水线处理这些不一致。OCR准确性和提取完整性是两个不同的问题，大多数流水线只解决了前者。正确读取文本只是第一步，验证提取值的完整性、一致性和与文档层级总额的可对账性才是更难的步骤，也是决定下游系统能否信任输出的关键。

深度提取的实际架构是：子智能体分别处理文档的不同组成部分（行项、页眉字段、总额、嵌入表格），而不是让单个模型一次性消化整个文档。验证智能体在返回输出前，将组装的结果与源头核对。如果发票总额与行项之和不一致，系统会知道，并针对受影响的部分重新提取，而不是继续前进。视觉语言模型（VLM）是实现这一目标的核心，它们使智能体OCR能够读取纯文本提取遗漏的表格、图表和嵌入图像。单次流水线可能提取清晰的文本，但错过第12页包含实际绩效数据的图表，而配备VLM的流水线则能将其视为数据而非装饰。然而，深度学习模型本身还不够，需要一个编排层来组织。强大的模型一次性提取并返回仍然是单次系统，验证循环才是将提取转化为可问责流程的关键。

何时需要深度提取？高风险文档是最好的例子：财务报表、法律合同、保险索赔、监管文件。任何包含50个以上行项或需要跨文档对账的文档，任何字段丢失会导致下游后果的流程（如支付失败、合规检查出错、数月后审计发现问题）都需要深度提取。简短、结构化且布局一致的文档（标准表格、简单发票）则不需要，因为约95%的字段准确率已足够，剩余部分通过人工抽检覆盖。投资于智能体验证的合理性取决于错误成本，而非文档数量。

生产级提取流水线还需要可解释性：置信分数标记哪些字段确定、哪些需要审查；源引用将每个输出定位到源材料中的具体位置；以及为受监管流程提供的人机交互节点。成本与准确性的权衡经常被误解。智能体提取在每个文档上比单次做更多工作，但相对于人工审核（如500页基金报表），它在规模上更快、更便宜。正确的比较不是“深度提取 vs. 单次提取”，而是“深度提取 vs. 审核单次提取错误所需的人员编制”。

传统OCR提取图像中的文本，但不验证提取值的完整性、一致性或与文档总额的可对账性。这是设计限制，而非可修复的缺陷。传统OCR还对布局敏感：旋转文档、更改列顺序、使用非标准表格格式，准确率都会下降。Tesseract等工具在干净一致的输入上表现良好，但在企业工作流中常见的非规则文档（如手写注释的农业发票、多格式经纪报表、带附件的法律文件）上会退化。单次LLM提取继承了验证问题，并增加了自己的问题：模型一次性处理整个文档，提取后返回，没有循环或检查。它可能产生看似合理但缺少字段、合并了本未合并的条目，或包含源中不存在数值的输出。错误直到下游才显现。

深度提取在生产中发挥作用的案例具有三个特点：高字段数、高准确性要求、以及可追溯到源头的审计线索。金融服务是最清晰的案例：经纪报表和基金报告需要每笔交易行对账；保险理赔处理中，提取值直接进入下游审批，错误的提取导致错误的审批；法律工作流需要完整的审计线索，包括字段级出处、跨大型文档集的版本一致性，以及可追溯的引用。政府和农业领域使用最多的非规则文档格式，刚性模板在这些文档上可靠地失败。编排层通过适应格式变化来处理它们。

总而言之，从单次前沿模型10-20%的字段准确率，到智能体提取循环99-100%的准确率，是部分答案与完全不同类别的解决方案之间的区别。深度提取不是对现有流水线的改进，而是一种根本不同的文档处理方法，它在准确性、问责性和可审计性方面提供了质的飞跃。