LandingAI 先分类后抽取文档解析范式

LandingAI 的「先分类后抽取」文档解析范式

把传统文档解析「按统一规则硬抽」的盲抽方式，改成先给每一页打标签、再用对应 schema 抽取的流水线，让解析器从「盲读」变为「看懂再读」。

痛点：盲抽的根因 一份贷款申请 PDF 里往往混杂工资单、银行流水、税表、身份证件，传统解析器对所有页面套同一套字段模板。结果是：从税表里抽「净薪资」、从身份证页里抽「账户号」——抽出的是「模板要的」，而不是「页面有的」。本质问题是解析器不知道自己在解析什么。

解法：Classification before Extraction 整个工作流被拆成两个明确阶段，关键在于顺序：

阶段 1 — ADE Classify（先分类） · 逐页并发评估，为每一页独立分配类别标签（注意粒度是 page，不是 document，因为一份 PDF 内可能跨类型）。 · 类别路由到对应流水线：工资单 → 工资单流水线、银行流水 → 银行流水流水线。 · outlier 兜底：不符合任何已知类别的页面不会硬塞，而是被标记并给出建议类别，交给人工或后续流程处理。

阶段 2 — ADE Extract（后抽取） · 按类别应用对应的 Pydantic schema，而非一套通配 schema。 · 工资单 → 雇员姓名、发薪周期、毛薪、净薪 · 银行流水 → 银行名、账号、余额 · 核心反转：schema 跟着页面走，而不是页面去凑 schema。

不可忽视的工程价值：Visual Grounding 每个抽出的值都带回两类引用： · chunk reference：映射回解析文档的具体切片 · page-level bounding box：在原图上框出该数值的来源区域

这意味着每个数字都可回溯到源——这在金融、合规、审计场景里不是「nice to have」，而是审计链 (audit trail) 的硬要求。LLM 抽取最被诟病的「凭空生成」在这里被物理坐标证伪。