目錄
文件解析的前幾篇聊了三層階梯、文字抽取、模型推斷結構。結論都指向同一件事：沒有一條固定 pipeline 能通吃所有文件。這篇要介紹的 Agentic Parsing，就是把「選哪條路」的決策交給 agent。
固定 Pipeline 的瓶頸
傳統文件解析是一條串列管線：OCR → 版面分析 → 文字抽取 → chunking → embedding。每一步用固定的工具和參數，不管輸入是什麼。
問題在三個地方：
一、文件類型差異太大。 合約是密排雙欄文字、財報是大量數字表格、技術手冊有混合圖文和巢狀清單。同一個 layout model 對合約做得好，碰到 25 欄的規格比較表就爛掉——依 ParseBench（LlamaIndex，2026）在 2,078 頁企業文件上的評測，14 種方法裡沒有任何一種在五個維度（表格、圖表、內容忠實度、語意格式、視覺定位）上全面領先。
二、全頁解析是浪費。 使用者問「B1 方案的代償條件」，但 pipeline 把整份 80 頁 PDF 全部 OCR 一遍。依 AgenticOCR（2026）的觀察，全頁解析不只浪費算力，還會把大量無關內容塞進 generator 的 context，稀釋關鍵證據、增加幻覺風險。
三、錯誤無法自我修正。 固定管線是 one-shot 的——第一步 OCR 認錯了，後面所有步驟都在壞掉的基礎上繼續跑。沒有 feedback loop。
Agentic Parsing 的核心思路
讓 LLM agent 在解析過程中扮演調度者。agent 先觀察文件，判斷類型和結構，再動態選擇工具和策略。
概念上有三種層次：
選擇性解析：只解析需要的部分
AgenticOCR（arXiv:2602.24134，2026）的做法：先看低解析度的縮圖，識別「感興趣區域」（Regions of Interest），只對這些區域做高解析度 OCR。用 GRPO 強化學習訓練 agent 學會「看哪裡」。
這把 OCR 從被動的前處理變成主動的感知——「parsing only what you need」。在 MMLongBench-Doc 上達到 expert-level 效能，同時大幅減少視覺 token 預算。
多 Agent 協作：拆解複雜文件
長文件靠單一 agent 不夠。幾個有代表性的框架：
DocLens（arXiv:2511.11552，Google，2025）用兩個 agent 組成「透鏡模組」：Page Navigator 從整份文件定位到相關頁面，Element Localizer 在頁面內定位到具體的表格或圖片。搭配 Gemini-2.5-Pro，在 MMLongBench-Doc 和 FinRAGBench-V 上超越人類專家——特別是在視覺導向和「無法回答」的查詢上。
MADP（arXiv:2605.17159，2026）用多 agent pipeline 做可持續的文件處理，把分類、解析、驗證拆給不同 agent。
Doc-Researcher（arXiv:2510.21603，2025）和 ARIAL（arXiv:2511.18192，2025）分別從多模態和精確定位的角度切入：前者整合多種解析工具的輸出，後者專注文件 VQA 的 grounding 問題。
自適應資訊抽取：根據文件調整策略
AgenticIE（arXiv:2509.11773，2025）處理的是法規文件的資訊抽取。這類文件結構複雜（巢狀條款、交叉引用、附錄），固定的 NER / RE pipeline 很難涵蓋。AgenticIE 讓 agent 根據文件的實際結構決定抽取策略。
Benchmark：目前做到多好？
ParseBench（arXiv:2604.08538，LlamaIndex，2026）是第一個專為 AI agent 設計的文件解析 benchmark。2,078 頁人工驗證的企業文件，涵蓋保險、金融、政府三個領域。
14 種方法的評測結果：
| 方法 | 整體分數 | 特點 |
|---|---|---|
| LlamaParse Agentic | 84.9% | 最高，但非所有維度最強 |
| 其他 13 種 | 各有擅長 | 沒有全面領先者 |
五個維度（表格、圖表、內容忠實度、語意格式、視覺定位）呈現「破碎的能力分布」——每個方法都有強項和弱項。這說明 agentic 的路線本身是對的：與其找一個全能工具，不如讓 agent 根據文件特性選工具。
商業落地
2026 年已經有幾個可用的 agentic 解析產品：
LlamaParse 把解析模式分成四級：Fast（1 credit/頁）、Cost Effective（3 credits/頁）、Agentic（10 credits/頁，約 $0.0125）、Agentic Plus（45 credits/頁，約 $0.056）。Agentic 模式用多模態 VLM 推斷版面結構。
LandingAI ADE（Agentic Document Extraction）基於 Document Pre-trained Transformers（DPT-2），2025 年推出。
IDP Accelerator（arXiv 2026-02）是開源框架，四個組件：多模態分類器、多模態 LLM 抽取、MCP 分析模組、LLM 規則驗證。醫療場景實測：分類準確率 98%、處理延遲減少 80%、營運成本降低 77%。
與 Visual RAG（ColPali）的互補
ColPali 的做法是跳過文字解析，直接把 PDF 頁面渲染成圖片，用 vision-language model 產生 patch-level embedding。表格結構 100% 保留。
Agentic Parsing 走另一條路：保留文字，但讓 agent 選最佳解析方式。
兩者互補而非競爭：
| 面向 | ColPali / Visual RAG | Agentic Parsing |
|---|---|---|
| 表格保留 | 100%（圖片就是原始結構） | 依 parser 品質，需後處理 |
| 文字可搜尋 | ❌（BM25 不可用） | ✅ |
| 儲存成本 | ~100× | 正常 |
| 需要 GPU | 是 | 部分方法不需要 |
| 適合場景 | 表格密集、版面複雜 | 混合文件、需要文字語意 |
依 Document Parsing Unveiled（2024）的 survey，未來趨勢是兩者融合：agent 先判斷頁面類型，表格密集頁用 visual embedding，文字密集頁用傳統解析。
整體來說
Agentic Parsing 的核心取捨是用更多推理成本換取更高的解析品質——agent 每做一次「觀察→決策→行動」循環，就多花一些 LLM token，但能避免固定 pipeline 在非典型文件上的系統性失敗。
目前的限制很明確：ParseBench 最好的方案也只有 84.9%，五個維度沒有全能選手。Agentic 模式的成本是 Fast 模式的 10-45 倍。要不要用，取決於文件的價值和多樣性——高價值合約和財報值得用 agent 解析，大量格式統一的收據用固定 pipeline 就夠了。
方向是確定的：文件解析正在從「一條 pipeline 跑到底」變成「agent 根據文件調度工具」。這跟 RAG 從 固定 retrieval 到 Agentic RAG 的演進是同一個模式。
參考資料
- AgenticOCR: Parsing Only What You Need for Efficient Retrieval-Augmented Generation（arXiv:2602.24134，2026）
- AgenticIE: An Adaptive Agent for Information Extraction from Complex Regulatory Documents（arXiv:2509.11773，2025）
- ParseBench: A Document Parsing Benchmark for AI Agents（arXiv:2604.08538，LlamaIndex，2026）
- Document Parsing Unveiled: Techniques, Challenges, and Prospects（arXiv:2410.21169，2024）
- ARIAL: An Agentic Framework for Document VQA with Precise Grounding（arXiv:2511.18192，2025）
- DocLens: A Tool-Augmented Multi-Agent Framework for Long Visual Document Understanding（arXiv:2511.11552，Google，2025）
- MADP: A Multi-Agent Pipeline for Sustainable Document Processing（arXiv:2605.17159，2026）
- Doc-Researcher: A Unified System for Multimodal Document Understanding（arXiv:2510.21603，2025）
- Hybrid OCR-LLM Framework for Enterprise-Scale Document Processing（arXiv:2510.10138，2025）
- ColPali: Efficient Document Retrieval with Vision Language Models（arXiv:2407.01449，ICLR 2025）
- LlamaParse — Document Parsing for LLM and Agent Pipelines
- LandingAI ADE — Agentic Document Extraction
- IDP Accelerator — Agentic Document Processing Guide
- 文件解析三層階梯（站內）
- 解析層：當結構要用模型推斷（站內）
- ColBERT 與 ColPali（站內）
- CRAG：檢索失敗時自動放寬條件重試（站內）
- Agentic RAG：讓 LLM 自己決定要不要再搜尋一次（站內）
Loading...