首页
学习
活动
专区
圈层
工具
发布
社区首页 >专栏 >我把年报、招标文件和 14 年前的扫描件,分别喂给了裸 LLM 和 TextIn Xparse + LLM

我把年报、招标文件和 14 年前的扫描件,分别喂给了裸 LLM 和 TextIn Xparse + LLM

原创
作者头像
用户11872857
发布于 2026-10-29 11:06:42
发布于 2026-10-29 11:06:42
2150
举报

摘要

起因是一个听了很多遍的说法,Agent 的瓶颈不在智商,在视力。

我不太服气。现在的大模型连图片都能看了,读书看报不在话下,怎么会卡在视力上?于是搞了个对照实验,从公开渠道收了 7 份“地狱难度”的企业文档,200 页的上市公司年报、政府采购招标文件、303 页的招股书、还有一份 2012 年的纯扫描件公告,分别用两条链路喂给同一个 LLM,一条是裸模型直接读 PDF 原生文本(大多数 RAG 教程教你的默认做法),另一条是先用合合信息 TextIn xParse 解析成结构化 Markdown 再读。

33 道固定问题跑下来,裸读组可确定回答 61%,xParse 组 79%。数字差距是一方面,更刺激的是过程,扫描件那一组,裸读模型拿到的全部输入只有 36 个字符,五个问题全灭;而跨页表格、流程图、合并单元格这些场面,两组的差距不是答得好不好,是能不能答。

文末顺便聊聊这套东西的终局形态,合合信息在 QCon上刚发布的企业知识服务引擎,解析只是第一层,后面还有一整条把企业文档变成 Agent 共享记忆库的链路。

一、开始之前,先介绍一下 TextIn xParse

按老规矩,实验之前先介绍一下主角 TextIn xParse。

一句话定位,合合信息旗下面向 LLM 与 Agent 的文档智能基础设施。这句话的重心在「基础设施」,它不回答问题、不替你写报告,做的是更底层的事,把复杂文档转化为干净、一致、可用于 AI 的结构化数据,给知识库、RAG、各种 AI 工作流当数据底座。上一期我搭错题工作台的时候打过比方,它像水电煤,Agent 这栋楼能盖多高,取决于这层供给稳不稳。

合合信息做文档智能做了 20 年,xParse 是这套家底面向 AI 时代的产品化。官网上的几个数字,全球 1,000+ 企业在用,累计处理文档超 10 亿页,大规模场景下日处理千万页级,API 可用性 99.99%。生态位也很清楚,Dify、RagFlow、LangChain、Milvus 这些主流 RAG 技术栈即插即用,WorkBuddy、豆包工作这些 Agent 产品里有官方连接器,每天还有 1,000 页免费额度。

能力上挑几条和本文实验直接相关的说。格式层,PDF(电子档加扫描件)、Word、Excel、PPT、图片等 16+ 种格式通吃;识别层,文本、表格、公式、手写体、印章、页眉页脚等 16 种内容元素;结构层,合并单元格、跨页表格、无线表格的还原是官方明着宣传的强项,阅读顺序按版面还原;输出层,Markdown 和 JSON,LLM 直接消费,页码、段落、字符多级溯源。速度,百页 PDF 最快 1.5 秒。

入口在 TextIn xParse,注册就能用。本次实验我全程走的是它的 CLI。

底牌交代完了。但官网上写的,和 200 页年报、2012 年扫描件面前实际发生的,永远是两回事。

二、实验设计,先交代清楚再开始实测

先说一下我为什么要较这个真。

这两年搭 RAG、写 Agent 的朋友都知道一个流程,文档进来,加载器一把梭转成文本,切块,入库,检索,生成。教程都这么教。但真实世界递给 Agent 的文档,长什么样?

这里我准备了四份文件:

  1. 年报密表

2. 评分细则表

3. 招股书

4. 扫描件

一份年报 200 页,财务报表一页接一页,续页连表头都不给你重复;一份招标文件,评分细则表里全是合并单元格,分值藏在格子里;招股书里塞着泳道流程图,关键信息全在图里;还有些老文档,干脆就是一张扫描图片,连文字层都没有。

这些文档喂给裸 LLM,到底会发生什么?我把好奇心落成了实验。

文档池,7 份,全部来自公开渠道,年报来自巨潮资讯,招标文件来自政府和高校官网,招股书来自上交所,扫描件是 2012 年的上市公告。每一份都截取了难点最集中的页段:

ID

文档

页数

难点

T1

中材科技 2025 年报·三大报表

10

跨页表格、续页无表头、空值与零

T2

北京市政府采购招标示范文本

8

合并单元格评分表、勾选框、留白

T3

清华深圳国际研究生院招标文件

9

评分细则、符号标注

T4

上海市公安局招标文件

5

复杂评分细则

T5

长江存储招股书·经营模式章节

5

泳道流程图、图文混排

T6

长江存储招股书·三大报表

5

跨页财务表格

T7

苏交科 2012 上市公告

2

纯扫描,零文本层

两条链路,唯一变量是输入形态:

代码语言:javascript
复制
A 组(裸读): PDF → PyMuPDF 提取原生文本层 → LLM 回答
B 组(解析): PDF → xParse 解析成结构化 Markdown → 同一 LLM 回答

A 组走的是 LangChain 教程里最常见的那条路。B 组用的是 xParse,合合信息做了 20 年文档智能沉淀出来的解析服务,面向 LLM 和 Agent 的基础设施,支持 PDF、Office、图片等十几种格式,能识别 16 种内容元素,百页 PDF 最快 1.5 秒,解析结果直接输出 Markdown 和 JSON。

答题模型两边完全一致,都是干净上下文的 LLM,问题清单固定,谁也不许查外部资料,答不上来就必须承认。标准答案我单独从 PDF 文本层独立提取加交叉校验(比如资产总计必须等于流动资产合计加非流动资产合计,对不上就回去重查),不依赖任何一组的输出,避免既当运动员又当裁判。

另外我还加了个 A′ 组做辅助参照,把 PDF 渲染成图片让视觉模型逐页直读,模拟“多模态模型直接看文档”的路线,后面会讲到它的尴尬之处。

好了,直接开始实测,查看效果。

三、解析前 vs 解析后,先看原始画面对比

在讲答题成绩之前,先把两条链路“看到的东西”摆出来,这个对比比分数更直观。

第一张画面,T1 年报的跨页表格。

A 组(PyMuPDF 提取原生文本层)拿到的输入长这样,货币资金那一块:

代码语言:javascript
复制
项目
期末余额
期初余额
流动资产:
货币资金
3,098,128,164.39
2,742,679,443.43
结算备付金
拆出资金
交易性金融资产
0.00
0.00

普通方式解析出来基本没有结构这一说法:

表格没了。科目和数字变成一锅线性文本,哪个数对应期末哪个对应期初,全靠数数。更阴险的是“结算备付金”“拆出资金”这种空科目,后面直接没有数字,一数错位,后面全错。而且这份报表有合并和母公司两套,科目名一模一样,只有数字不同,文本层里你根本分不清现在读的是哪套。

B 组(TextIn xP**arse解析**)的输入,同一个位置:

代码语言:javascript
复制
<table border="1"><tr>
<td>货币资金</td>
<td>3,098,128,164.39</td>
<td>2,742,679,443.43</td>
</tr><tr>
<td>结算备付金</td>
<td></td>
<td></td>
</tr><tr>
<td>交易性金融资产</td>
<td>0.00</td>
<td>0.00</td>
</tr></table>

三列关系明明白白,空值和 0.00 是两种不同的语义,前者是“没这个科目”,后者是“有,但为零”。整张资产负债表跨了 4 页,xParse 拆成 4 个连续的 table 块拼回来,行序连贯,中间还留着 <!-- 75 --> 到 <!-- 78 --> 的页码标记,每个数据在哪一页,可查。

上面为 T1 跨页表格对比,上边 PDF 原件密表,下边 TextIn Xparse 的 table 输出,下面为导出md文件的效果,甚至页面分页这种结构都解析的非常清晰。

T1 跨页表格对比,左边 PDF 原件密表,右边 xParse 的 table 输出;能够明显看出来TextIn Xparse解析的内容结构非常清晰、干净,是一份非常适合 AI Agent开发 的结构化数据。

第二张画面,T5 招股书里的流程图。

长江存储招股书里有一张研发流程泳道图,研发阶段四个节点,量产阶段两个,上面挂着三个决策点,下面吊着四个 TR 交付节点。这种图对文本层提取是彻底的黑洞,一行都捞不到。A 组的输入里,这段就是一段正文加一片虚无。

xParse 的处理给了我一个惊喜,图作为图片元素保留,但图里的文字被单独 OCR 了出来,挂在图旁边:

代码语言:javascript
复制
<!-- 研发阶段 ←量产阶段→ 立项决策点 计划决策点 量产/可获得性决策点
(Charter) (PDCP) (ADCP) 立项阶段 计划阶段 开发阶段 产品验证阶段
可靠性验证阶段 量产阶段 产品需求及规格冻结 产品设计发布 产品设计冻结
产品量产准入 (TR1) (TR2) (TR3) (TR4) -->

决策点编号 Charter、PDCP、ADCP,交付节点 TR1 到 TR4,全部可检索。图的拓扑关系还是要看图,但图里的信息不再是对模型隐身的。

第三张画面,T7,那份 2012 年的扫描件。

A 组从这 2 页 PDF 里提取到的全部文本,36 个字符。俩页码。正文一个字都没有,因为扫描件没有文本层,那是图片。

xParse 走 OCR 加多模态识别,整份公告全文识别出来,股票简称苏交科、代码 300284、发行后总股本 24,000 万股、五家信息披露网站的域名,一个不落,连落款的签章都作为图片单独提了出来。

扫描件对比,原件扫描页 vs OCR 出的完整文本

同一个世界,两条链路看到的是两份完全不同的文档。这个前提下,再去比答题,结果其实已经有点注定了。

四、33 道题跑完,逐个单元看战报

每个单元 4 到 7 道固定问题,答案都能和原文逐字核对。按“翻车烈度”从低到高讲,一个一个来。

T6,长江存储三大报表,4 题两组全对。

数字题,科目和数字在文本层里是挨着的,裸读组仔细数数也能数对。xParse 组同样全对,顺手把资产负债表跨了 2 页、各科目在第几页都标了出来。这局平手,但注意,xParse 组的“对”是有结构保证的对,裸读组的“对”是小心翼翼数出来的对,前者敢写进报告,后者得复查三遍。

T1,中材科技年报三大报表,7 题两组全对,但这局有意思。

裸读组不但全对,还自己做了交叉验证,用资产总计等于负债加权益去验算。看起来很美?但它答题时明说了,科目与数字的对应是“按行序推断”的。这是在悬崖边上走对了路,不是路不悬崖。10 页之内运气好,换成 200 页全本、科目更密、合并与母公司报表混着来,这种推断迟早出事。

xParse 组同样全对,而且每道题都带着页码出处,第 75 页货币资金、第 76 页资产总计 65,590,977,996.41,可回溯,可抽查。

而且 xParse 组 非常清晰,定位位置非常精准,左边体现"小心翼翼数数",右边体现"带出处的底气"。

裸读组的推断式回答 vs xParse 组的带页码回答

T3,清华招标,两组都是 2/5,但成色不一样。

有两道题的答案确实不在节选页范围内,这怪我题目设计,两组同等受限,真正拉开质感的是另外的细节。裸读组的输入里,商务评价表“诚信评价”那一行的序号,文本层提取出来是 5,它靠“15+10+5=30”的合计校验才发现这数字不对,应该是 3,出现了单元格错位。xParse 组这边,60/30/10 的总分构成连同九个评分项的每一档分值完整还原,每一条还标着页码出处,评标方法在第 23 页、综合得分公式在第 28 页,想抽查随时一步到位。

T2,北京政采示范文本,2/5 平局,这锅得文档自己背。

我拿到手才知道,政府采购的“示范文本”是个空模板,评分因素是留白的,复选框是没有勾选的。两组都只能答出框架,答不出内容。平局,但这局证明了实验的另一面,输入里没有的信息,谁也变不出来,模型不背锅,解析也不背锅。

T4,上海公安招标,又是表格截断,但这次我验证了原因。

两组都只看到评分细则的前 4 项,分值上限加起来 44 分,离 100 分的标题差着 56 分。我专门翻回原 PDF 查了,第 28 页就是续表,硬件产品选型 14 分、实施方案 14 分……是我节选的时候在 27 页末切了一刀,两组同等挨刀,公平。xParse 组在这局把可见部分的细节抠得更干净,比如“软件系统设计 18 分”下面还分了三个 6 分的子项。

T5,长江存储经营模式,3/5 对 5/5,分水岭来了。

裸读组答出了研发四阶段,答出了销售模式和五项经销商考核,但在“决策点编号”和“TR 节点对应关系”两道题上彻底抓瞎,这些信息全在流程图里,文本层一个字都没有。

xParse 组,全对。Charter、PDCP、ADCP,产品需求及规格冻结对应 TR1、产品设计发布对应 TR2,全靠图旁边那块被保留下来的 OCR 文字。图文混排文档里,图内信息能不能捞出来,直接决定这题是送分题还是绝命题。

T7,苏交科扫描件,0/5 对 4/5,没有悬念的碾压。

裸读组,输入 36 个字符,五题全灭。不是它不会答,是它什么都没看见。

xParse 组效果优势明显,简称、代码、上市日期、股本、五家网站全对,一份 2012 年的纯图扫描件,OCR 加多模态硬是把整页文字捞了回来。

七组数据测完,裸读组 20/33 约 61%,xParse 组 26/33 约 79%。

数字摆在这,但我更想强调数字背后的两种失败。裸读组的失败是“看不见”,扫描件全灭、图内信息全丢,这是物理层面的无解。xParse 组的失败是“看不准”,个别字符、个别符号,这是工程层面可以继续磨的解。一个决定能不能答,一个影响答得多好,性质完全不同。

对了,还有 A′ 组,视觉模型逐页直读那条路。它单页能力其实不俗,密表数字逐字符识别全对,扫描件单页也读得干净。但它有个结构性尴尬,一次只能看一页。跨页的“资产总计”它看不见,得靠人翻页投喂;无表头的续页,列含义靠猜,它把“其中,应收利息”的父科目都猜错了。一份 200 页的年报等于 200 张图,token 成本先不说,这个投喂流程本身就是个新的体力活。单片视力好,没有全局结构感,这条路适合单页问答,不适合整档文档的工作流。

五、为什么 xParse 能做到,拆开看四个关键设计

同样是解析,差距为什么这么大。看了下 xParse 的技术资料,几个关键设计值得单独说。

第一,按页选解析链路。 电子件走原生解析,扫描件走 OCR,复杂视觉版面上多模态模型增强,不是一刀切。所以 T7 那种 2012 年的扫描件和 T1 那种 2026 年的电子件,走的是两条不同的路,各自最优。

第二,表格当结构还原,不当文字流。 版面识别还原行列关系,跨页表格拼接,合并单元格用 rowspan 语义保留。T5 招股书里那张工艺流程表,“晶圆制造”一个分类横跨 11 行、还跨了页,xParse 输出的 table 里,跨页后的续行首列为空、rowspan 延续,这要靠纯文本提取,神仙也还原不出来。

第三,保留位置和来源信息。 解析结果带页码、坐标,输出里那些 <!-- 76 --> 就是页码标记。这是“可追溯”的物理基础,答案能定位到页,质检、审计、回查才有抓手。企业场景里这条比准确率本身还值钱,不可追溯的数字,业务方是不敢用的。

第四,Agent 友好的输出形态。 Markdown 加 JSON,LLM 直接消费,不用再写预处理。我这次全程用的是它的 CLI,一条命令的事:

代码语言:javascript
复制
# 解析 PDF,输出结构化 Markdown(自动走免费额度)
xparse-cli --profile workbuddy parse "节选1-年报财务报表跨页.pdf" \
  --api auto --output T1/

10 页的节选,解析用时 3.2 秒。

四个设计叠在一起,回答的其实是同一个问题,怎么让机器「看懂」一页纸的结构,而不只是「看到」一页纸的文字。实验里那些跨页表格、合并单元格、图内文字的胜局,不是撞大运,是这四层设计各司其职的结果。

六、解析之上,把企业文档变成 Agent 的共享记忆库

实验做到这,其实只回答了一半的问题。

解析把文档变成了干净的结构化数据,但企业里的真问题比“读一份文档”大得多。同一个客户,CRM 里叫 A 公司,合同里叫 A 有限公司,ERP 里是编码 C1024,AI 按字面匹配,三条记录一条都对不上。合同在法务的共享盘,订单在 ERP,交付通知躺在邮箱,每个 AI 应用各自建一套知识库,口径对不上,来源说不清。我在实验里撞到的“合并报表和母公司报表分不清”,就是这个问题最温和的版本。

这就是合合信息这次在 QCon 全球软件开发大会上发布的新东西要解的题,企业知识服务引擎。

它的思路是把链路拉长,三层递进。TextIn xP**arse 做深度解析,让文档可读,保留结构、复杂内容和原文位置;DocFlow 做语义结构化**,面向混合文档包,拆套分类、字段抽取、规则校验、人工复核,让字段可用;知识服务引擎在这之上做可信知识组织,实体、关系、规则、版本、来源,让知识可信。一份供应商交付通知进来,最后变成的是一条能用的业务事实,订单 P-1042 预计 10 月 1 日到货,置信度 92%,原始邮件、时间、正文片段,整条证据链一路能点回原文。

而且这套知识是共享的。一套知识底座,通过问答、API、MCP 协议、SDK 同时喂给多个 Agent,不用每个 AI 应用重建一遍知识库。合同问答、标书检查、金融风控、生产运营,四个场景读的是同一份知识,口径天然一致。发布会 PPT 里那个生产运营的例子我印象挺深,订单准备度 82%,物料缺口、产能冲突、风险预警,全是从订单、BOM、技术协议这些散落文档里攒出来的实时视图,而且每条结论背后都挂着 Evidence 按钮。

说真的,这和我实验里感受是连贯的。解析层解决的是“看得见、看得准”,知识服务引擎解决的是“记得住、说得清、查得到”。前者是后者的地基,没有高质量的解析,后面的知识组织就是沙上筑塔,这也是为什么这次 QCon 的发布,底层站的还是 xParse 这套磨了 20 年的文档能力。

企业知识服务引擎目前还没正式上线,已经开了预约试用,感兴趣的可以提交申请抢先体验。

预约入口,https://b.intsig.com/solution-apply?from=Qcon_20261022

写在最后

回到开头那个说法,Agent 的瓶颈不在智商,在视力。

这轮实验跑完,我基本被说服了,但想补一个更完整的版本。视力有两层,一层是能不能看见,扫描件、图内文字,这层裸模型暂时无解,解析层解决;另一层是看见了能不能拼成结构,跨页、合并单元格、层级归属,这层纯识别不够,要靠版面理解和结构化还原。

再往上一层,是看见并理解之后,这些信息能不能沉淀成组织里所有 Agent 都能持续调用的记忆。那是另一场更大的仗,刚刚在 QCon 上开场。

文末照例交代可复现性。7 份文档全部来自公开渠道,巨潮资讯、上交所、政府公开采购信息,问题清单、两组输入、原始答案文件我都留着,xParse 有每日免费解析额度,想自己跑一遍的朋友,一套脚本加一个下午就够。

有不同结论,欢迎来评论区打脸。

以上,既然看到这里了,如果觉得不错,随手点个赞、收藏、转发三连吧。

原创声明:本文系作者授权腾讯云开发者社区发表,未经许可,不得转载。

如有侵权,请联系 cloudcommunity@tencent.com 删除。

目录
  • 摘要
  • 一、开始之前,先介绍一下 TextIn xParse
  • 二、实验设计,先交代清楚再开始实测
  • 三、解析前 vs 解析后,先看原始画面对比
  • 四、33 道题跑完,逐个单元看战报
  • 五、为什么 xParse 能做到,拆开看四个关键设计
  • 六、解析之上,把企业文档变成 Agent 的共享记忆库
  • 写在最后
问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档