LlamaIndex 推出 Agentic 文档提取技术

LlamaIndex 提出 Agentic OCR，一种让系统自行决定阅读策略、调用工具或专用模型并依据结果迭代的文档解析方式，用于替代传统 OCR 的单步转换。其三项要求是解析策略随文档自适应、修正须有证据并通过显式校验，以及执行过程有明确的时限与目标约束；LlamaParse 的“Agentic”与“Agentic Plus”档位已提供这些能力，并用 ParseBench 评测解析质量。

Agentic OCR 将推理、验证与自适应模型选择引入文档处理流程，以目标导向的智能体循环取代传统 OCR 的一次性提取。它用多模态语言模型作为推理层，通过视觉定位（bounding box）让每个抽取字段可回溯到原文位置，并自动识别文档类型、无需模板即可适配新格式。相比传统 OCR 与 IDP，它在版面变化时自动适应、能自我纠错并输出带引用的校验结果，新文档类型的接入从数周配置缩短到数分钟。

LlamaCloud 推出 VLM 驱动的 agentic OCR 引擎，将视觉识别、版面理解、结构推理与校验整合进单一系统，直接输出结构化 JSON、Markdown 或 HTML，而非扁平文本。

Agentic 文档抽取把文档处理当作推理任务，通过"规划-执行-验证"循环先识别文档类型与逻辑结构，再抽取数据并自查结果，可捕获 OCR 高置信度但语义不合理的错误。LlamaParse 对每份文档同时校验视觉布局与语义内容，并用视觉定位将文本绑定到页面坐标，从而区分格式相同的金额或日期字段。该方式无需为 500 种发票格式分别维护模板，可动态推断表头与单元格关系。

单次提取缺乏问责闭环，模型只提取一次就输出结果，不校验、不与文档总额对账，也无法标记遗漏内容，在长文档和复杂版式中会静默丢行、合并条目。Deep Extraction 采用智能体驱动的迭代流程，提取后对照源文档验证、识别缺口并重新提取，直至达到既定质量阈值，可将前沿模型的字段准确率从 10-20% 提升至 99-100%。