LlamaIndex Blog

AI 服務暫時不可用，以下為來源摘要，待恢復後補全翻譯：Why we built ExtractBench What ExtractBench evaluates How the ground truth was built Results Reproduce it yourself Enterprise agents increasingly act on critical business data, and much of that data lives in unstructure…

傳統的OCR只能轉錄文本，而智慧文件提取（Agentic Document Extraction）透過推理式的文件處理方式，結合視覺定位、自校驗迴圈等技術，能夠理解文件結構、提取準確資訊並減少人工稽核需求。本文詳細介紹了智慧文件工作流的原理、應對複雜佈局（如表格、醫療表單）的方法，以及其在ROI和部署上的優勢。

本文探討了非結構化資料提取的核心技術、工作流程和實際應用。透過NLP、NER和LLM等技術，企業可以從海量文件中自動提取結構化資訊，應用於媒體監控、法律分析、醫療研究等領域。文章還介紹了LlamaParse的創新方法，包括多模態理解和多驗證迴圈，以及2026年的趨勢。

本文深入探討OCR準確性的測量方法（字元錯誤率、詞錯誤率、欄位級準確性）、影響準確性的關鍵因素（影像解析度、文件佈局、手寫變異性等）、實用改進工具包（預處理、合成資料訓練、LLM後處理校正）、驗證方法以及2026年OCR解決方案選擇指南。強調準確性是一個管道問題，最大的收益來自識別前後的處理。

AI文件分類透過自動化文件的排序和標記，解決了大規模文件處理的操作瓶頸。本文介紹了其工作原理、分類型別、高價值用例，以及如何選擇和實施分類系統。

深度提取採用迭代、智慧體驅動的驗證迴圈，在複雜文件上實現近乎完美的欄位準確性，而單次流水線在高容量、高風險的流程中會悄然失敗。

模板OCR（區域OCR）將提取與頁面座標繫結，佈局一旦變化就會靜默產生錯誤。真正的替代方案是智慧體OCR（如LlamaParse），透過佈局感知計算機視覺識別文件結構，無需模板即可處理任意格式的第一份文件。這消除了模板庫的維護成本、上線延遲和漂移問題，並提供置信度分數用於定向人工稽核。文章以應付賬款、匯款通知、物流單據等場景為例說明模板OCR的侷限和智慧體OCR的優勢。

抵押貸款檔案自動化通常在階段之間的交接處失敗，而非階段內部。沒有資料來源證明，每個階段都會重新驗證數字，增加成本和結案時間。代理提取（如LlamaParse）提供頁面級引用和置信度評分，實現有針對性的人工審查和可追溯的審計線索。

LlamaIndex團隊規模翻倍，推出多項更新：提取支援對話模式、快速層級輸出Markdown、Agentic Plus改進表格處理、所有方案支援100使用者。同時，AI新聞包括GPT-5.6效能分析、Bun用Rust重寫Zig程式碼、蘋果起訴OpenAI等。

LlamaIndex 釋出了多項產品更新，包括 Retrieval Harness（為 AI 代理提供檔案系統工具）、LiteParse 的 Markdown 支援、MCP 端點重構、成本最佳化器改進、企業級使用標籤和使用者後設資料。社群方面，有 LiteParse 與 LanceDB 的結合實踐、n8n 節點整合以及多場活動演講。AI 新聞包括 Anthropic 延長 Fable 5 訪問許可權、OpenAI DevDay 2026 申請開放等。

LlamaIndex釋出了LlamaParse索引的更新，新增檢索工具包，為AI代理提供檔案系統級文件遍歷工具，以及視覺佈局保留、託管基礎設施和管道可觀測性功能。

LlamaParse平臺社群節點已釋出v5和v6版本，現為n8n官方驗證的社群節點。該節點整合了五個LlamaCloud資源（解析、分類、拆分、提取、檢索），支援作為AI Agent工具使用。v5重寫了基礎架構，v6將多個獨立節點整合為一個，並增加了索引管理功能。文章還提供了三種工作流示例：將檢索器作為Agent工具、構建分類-提取-驗證流水線、以及評估不同解析模式的輸出質量。

LiteParse 2.1 推出最快的開源無模型 PDF 轉 Markdown 管道，在三大基準測試中均取得領先成績，並支援多語言執行環境。

本文詳細介紹瞭如何透過迭代評估、分析追蹤和最佳化，為Claude智慧體改進LiteParse文件解析技能，使其更便宜、更快且質量更高。專案發現並修復了反模式，如重複解析、不必要的OCR和低效的grep呼叫，最終使成本降低37%，並在所有評判指標上獲得更高分數。

本期帶來 ParseBench 在 CVPR 2026 的展示、Parse-Flow 視覺文件智慧工作流、Anthropic Fable 5 基準測試結果、LlamaParse 新粒級邊界框，以及 AI 首個匹克球錦標賽 The Agent Open。

本文探討了PDF可搜尋性的真正含義。快速OCR方法（如Adobe Acrobat、免費線上工具）適用於簡單文件，但在表格、多欄佈局和低質量掃描件上表現不佳。文本層即使有95%準確率仍會遺留錯誤，導致關鍵資訊無法被檢索。對於大規模文件處理或AI整合，需要像LlamaParse這樣提供結構化輸出（如Markdown）和高準確率的工具，以保留閱讀順序和表格結構。真正的可搜尋性取決於準確性和結構，而非僅僅文本層的存在。

組織在從複雜的法律合同中提取結構化後設資料時面臨重大挑戰，因為語言、結構和格式的多樣性。現代系統結合了佈局感知解析、機器學習、語義提取和模式對映，將非結構化的法律協議轉化為機器可讀資料。LlamaParse 提供了一個整合的平臺，將這些能力整合到生產工作流中。

Parse-Flow 是一個開源專案，透過視覺化工作流設計器、非同步工作器和即時事件儀表板，將文件處理的四個基本操作——解析、分類、拆分和提取——整合在一起。後端基於 llama-agents 工作流引擎，使用 Redis 和 Postgres 實現任務佇列與事件持久化。本文詳細介紹了系統架構、工作流定義、基於狀態機的執行引擎以及設計優勢。

本文對比了grep（詞法搜尋）與RAG（語義搜尋）在AI智慧體中的應用場景。grep在小規模純文本語料庫中快速精準，但無法處理PDF等非結構化文件，且擴充套件性差。RAG透過解析、分塊、嵌入和向量索引實現規模化語義搜尋，支援自然語言查詢，但需要額外基礎設施。作者建議採用分層方法：先用工具解析非結構化文件，再用語義搜尋處理大規模語料，同時在適用場景保留grep。

本期LlamaIndex新聞通訊介紹了ParseBench——首個為AI代理構建的OCR基準測試，以及新的開源工具：用於安全文件互動的Sandboxed-Lit CLI代理和用於私有部署的LiteParse-Server。此外，還回顧了新加坡和紐約的社群活動。

本文介紹了一個利用LiteParse構建的AI代理演示應用，該代理能夠處理SEC檔案、跨檔案搜尋並回答帶有精確引用的問題。文章詳細講解了專案架構，包括PDF解析、文件儲存、工具定義、聊天端點和引用系統，並說明了如何整合SEC EDGAR獲取檔案。整個專案約600行庫程式碼，無需向量資料庫或外部基礎設施。

抵押貸款文件自動化利用智慧文件處理技術，將文件密集型工作流轉化為結構化、機器驅動的流程，從而提高效率、減少錯誤。本文分析了抵押貸款處理的複雜性、自動化工作流（文件攝取、分類、資料提取、驗證、人工稽核及系統整合）、面臨的挑戰，並介紹了使用LlamaParse實施自動化的最佳實踐。

本文探討了標準OCR技術在KYC（瞭解你的客戶）工作流程中的不足，包括對複雜證件、安全特徵和多語言支援的侷限性。介紹了代理型OCR（如LlamaParse）如何透過佈局感知分割、模型編排和自糾錯迴圈來提高準確率，並分析了銀行業、保險業和加密貨幣交易所中的應用與合規需求。

本週的 LlamaIndex 新聞通訊重點介紹了智慧表格提取、用於本地文件檢索的 LiteSearch、改進的 Word 文件處理，以及與 Gemini Live API 的整合，同時提供了法律發現和社群專案的指南。

本期簡報介紹了 ParseBench——首個專為AI代理設計的OCR基準測試，以及LiteParse的快速增長、結構感知PDF QA管道、VLM驅動的OCR生產洞察、紐約金融科技研討會和安全文件代理等重要更新。

本期重點包括首個AI代理文件OCR基準測試ParseBench的釋出、LiteParse正式加入LlamaIndex生態系統、Anthropic Opus 4.7的全面基準測試以及即將舉行的紐約金融科技周AI活動。

LlamaParse平臺MCP已重構，從儲存檢索轉向文件處理。本文介紹了MCP暴露的工具、連線方式以及設計決策，包括OAuth認證、檔案上傳解決方案（URL上傳和令牌端點）、可觀測性和速率限制等。

liteparse-server 是一個自託管的 HTTP API，封裝了 LiteParse 文件解析引擎，支援 PDF、Office 文件和影像，提供精確的空間佈局文本提取和 OCR 功能。它解決了雲端解析的延遲、成本和隱私問題，適用於 RAG、視覺模型等工作流。支援兩種部署模式：輕量級伺服器（無依賴）和完整堆疊（帶 Redis 快取、限流、OpenTelemetry 追蹤、Prometheus 指標）。

LlamaParse利用多模態模型解析複雜的法律發現檔案，處理低質量掃描件、視覺內容，並提供自定義解析指令，以改善下游搜尋和分類。

ParseBench是一個全新的基準測試，旨在衡量AI代理在實際企業文件中的解析質量，涵蓋表格、圖表、內容忠實度、語義格式和視覺定位五個維度。透過對約2000頁企業文件和超過16.7萬條測試規則的評估，結果顯示沒有單一方法在所有方面都表現出色，但LlamaParse Agentic模式以84.9%的整體得分成為唯一在五個關鍵維度上均有競爭力的方法。