一、引言

1.1 複雜文檔的感知瓶頸

當前，以大語言模型（LLM）為核心的智能體（Agent）技術，正快速融入法律文書問答、合同條款比對、技術標準解讀等企業核心業務流程中。基於自主任務理解、步驟規劃與工具調用能力，智能體能夠可靠執行教育科研輔助、法律信息提取、合同自動比對、標準結構化解析等一系列複雜業務操作，有效提升效率與準確性。

然而，當Agent真正用於處理上述複雜業務文檔時，其效能首先受限於輸入知識的質量，而這直接源於文檔本身的高度複雜性。此類文檔通常具備多重典型特徵：語言混合、格式不一，且具有強烈的結構依賴性——無論是嚴謹的章節編號與條款引用，還是跨頁分佈的大型表格與多層合併單元格，均構成機器理解與深入處理的根本障礙。

面對如此複雜的文檔，傳統的Agent 流程常受限於一個根本性的工程難題，具體表現為以下兩個核心痛點：

首先，是語義邊界的模糊。文檔中原本完整的段落或表格，常因跨頁、分欄而被解析工具切斷。在此情況下，傳統的基於固定長度或簡單標點的分塊策略，往往生成大量語義殘缺的文本塊，無法恢復其原始邏輯完整性。

其次，是結構化信息的丟失。合同、標書等文檔中的標題、列表、表格等層級與關係信息，在解析過程中經常被丟棄，後續的分塊策略只能依賴字符長度等表面特徵，而無法實現基於語義結構的智能切分。

正因如此，我們認識到：有時候一個智能體性能瓶頸，往往並非源於大語言模型的能力上限，而更取決於知識預處理階段的質量控制。提升解析與分塊的準確性，要提升 Agent 在複雜文檔場景下的表現，必須先解決 Agent 的文檔感知問題。

1.2 TextIn文檔智能解析引擎

為突破 RAG 與 Agent 在文檔感知層面的工程瓶頸，引入專業的文檔智能解析工具成為必然選擇。TextIn 正是面向這一核心問題構建的文檔智能解析引擎，其目標並非單純完成 OCR，而是輸出“對大模型友好”的高質量結構化語義結果。

在真實業務流程中，TextIn 的解析結果通常會被直接寫入企業知識庫或向量數據庫，作為後續問答、比對、審查任務的基礎數據層。其核心價值主要體現在以下三方面：

1. 極致的兼容性與多語言支持： TextIn 提供了業界領先的文檔兼容性，其支持 50+ 種語言的深度解析和 20+ 種文件格式（包括 PDF、Word、Excel、掃描件、圖片等），對於複雜的掃描件和版式文件，TextIn 能夠進行高精度的版面分析和 OCR 識別，確保知識源頭的準確性。
2. 高質量結構化輸出：Markdown 與 BBox： TextIn能夠將複雜的文檔結構準確地轉化為標準的 Markdown 格式文本。這種Markdown 格式天然地保留了文檔的語義結構，使得後續的分塊策略可以從基於長度的簡單切分，升級為基於語義結構的智能切分。同時，TextIn 還附帶了每個文本塊在原始文檔中的 BBox（邊界框）座標信息，為實現精確的引用溯源和未來的視覺 RAG 奠定了數據基礎。
3. 靈活的 API 接口： TextIn 提供了 通用文檔解析 和 智能文檔抽取 等多種 API 接口，開箱即用。

基於此，本文將深入剖析如何依託 TextIn 這一專業文檔解析平台，通過工作流實現 Agent 的實時文檔理解能力。

二、技術實踐：基於 TextIn + Coze 的 Agent 方案

2.1 架構設計

本次實踐選取的業務場景為論文分析總結助手。在這個場景中，文檔主要來自上傳的各類學術論文和學術報告，既包括排版規範的PDF論文，也包含掃描版或版式複雜的歷史文獻。用户在上傳論文後，通常希望快速理解論文的核心貢獻、方法結構與關鍵結論，並能夠圍繞具體章節或實驗結果進行問答與總結。Agent 生成的結構化摘要、要點總結及對應章節定位信息，可用於輔助論文初篩、評審準備或科研調研過程。

為了快速驗證 TextIn 的能力，並構建一個可交互的原型 Agent，我選擇了 Coze 平台。Coze 是一個一站式 AI Bot 開發平台，它提供了可視化的工作流編排和插件工具集成能力，非常適合進行 Agent 的敏捷開發和能力驗證。

本次的Agent 架構設計整體遵循“感知-推理”的邏輯：Agent 接收到用户上傳的文檔後，首先調用 TextIn 插件進行感知（文檔解析），然後將解析後的高質量結構化文本作為輸入，驅動 LLM 進行推理（問答、總結），架構流程概覽如下：

1. 用户輸入：用户上傳待分析的文檔（如合同 PDF）並提出問題。
2. Agent 決策：Coze Agent 識別到輸入是文件，觸發 TextIn 插件調用。
3. 感知層（TextIn）：TextIn 調用通用文檔解析 API，將複雜文檔轉化為 Markdown 文本。
4. 推理層（LLM）：Agent 將 TextIn 返回的 Markdown 文本作為上下文，結合用户問題，調用 LLM 進行推理和生成答案。

2.2 實踐步驟與解析節點説明

2.2.1 步驟一：編排工作流

首先進入 Coze 平台，點擊進入釦子編程的工作空間，選擇資源庫，點擊右上角創建，創建一個新的工作流

進入工作流編排頁面後，選擇開始後面的加號，然後選擇添加“插件”

可以看到Coze插件市場中已經集成好了Textin的插件，我們只需要搜索“Textin”就可以看到ParseX通用文檔解析、pdf轉markdown、Textin OCR等多個插件，這裏選擇ParseX添加：

接下來我們開始編排工作流，首先將工作流的起始組件 Input 類型設置為 File-default，以接收用户上傳的文檔。

隨後，將 TextIn 插件也就是ParseX組件的輸入變量（file）引用到起始組件的 file，確保 Agent 能夠將用户上傳的文件正確傳遞給 TextIn。

為了確保 TextIn 服務的安全調用，ParseX組件是需要鑑權的，我們需要在插件配置中填入從 TextIn 官網獲取的 x-ti-app-id 和 secret-code 進行鑑權。

這裏需要登錄Textin官網，前往 “賬號與開發者信息” 查看 x-ti-app-id和secret_code，將其複製下來，填入到ParseX組件當中

配置成功後如下所示：

然後我們就先可以接入一個結束組件，點擊試運行，試運行結束，可以看到ParseX插件成功解析了文件並且輸出了對應的內容

在 TextIn 成功解析文件並輸出 Markdown 文本後，我們將其作為 LLM 的上下文輸入，這是整個實踐中最關鍵的一步。

傳統的 Agent 問答，如果直接輸入原始 PDF 或者word文件，LLM 必須花費大量的計算資源去推理文本的結構和邏輯關係。而 TextIn 提供的 Markdown 文本，已經清晰地標註了標題（#）、列表（-）、表格（|）等結構。一個複雜的表格在 TextIn 解析後，會以標準的 Markdown 表格形式呈現。Agent 在接收到這樣的輸入後，可以直接利用其強大的表格推理能力，而無需進行額外的結構重建工作，極大地提升了推理的效率和準確性。

我們將 TextIn 插件的輸出 result/markdown 接入到 LLM 組件，並設計系統提示詞，指導 Agent 如何利用這份高質量的結構化上下文進行回答。

整體的 AgentFlow 工作流如下：

試運行的效果如下，可以看到，ParseX 能夠穩定完成對學術論文 PDF 的解析。在解析效率方面，對於一篇約 15–20 頁、包含雙欄排版與多處複雜表格的論文TextIn 對單篇論文的平均解析耗時平均約為 2.8 秒，其中電子版論文的解析時間集中在 2–3 秒 區間，掃描版或版式複雜文檔的解析時間約為 4–6 秒。解析輸出的 Markdown 文本完整保留了章節層級、公式位置與表格結構，可直接作為 LLM 推理的上下文輸入，無需額外人工整理。

基於這種方案，我這裏進一步搭建了一個文件解析問答助手，提示詞如下，可供大家學習參考：

# 角色
你是一個基於用户提供的文件內容進行問答的助手，能夠根據用户上傳的{{input}}文件中的信息，準確回答用户提出的問題{{query}}，確保回答內容嚴格忠實於文件原文。

## 技能
### 技能1：文件信息提取
- 接收用户提供的{{input}}文件內容（如文本、文檔等），準確理解文件的核心邏輯與關鍵信息點；
- 識別文件中與用户問題{{query}}直接相關的內容片段、段落或數據，確保信息提取的準確性與完整性。

### 技能2：問題解析與回答生成
- 精準解讀用户問題{{query}}，明確用户的核心訴求或疑問；
- 基於提取的文件信息，用簡潔、連貫的語言組織回答，確保回答內容與文件原文完全一致，不添加主觀推測或外部信息；
- 若文件中存在多個相關信息點，能夠整合邏輯關係形成完整回答；若文件中無對應信息，直接告知用户“根據當前提供的文件內容，未找到相關信息”。

## 限制
- 回答內容必須嚴格以用户提供的{{input}}文件內容為依據，不得編造、篡改或補充文件外的信息；
- 若文件內容存在歧義或信息缺失，需如實反饋“文件內容表述不明確，無法準確回答該問題”，不進行模糊猜測或默認補充；
- 回答語言需簡潔清晰，避免冗餘，確保用户能直接獲取文件中與問題相關的核心信息。

運行效果如下，通過 TextIn 的賦能，我們的 Agent 在處理複雜文檔時的性能實現了本質飛躍，有效解決了 Agent 的文檔感知瓶頸：

2.2.2 步驟二：搭建智能體

在完成工作流後，我們接下來就可以搭建 Agent 智能體了。點擊回到釦子主頁，點擊創建，選擇創建智能體。

然後點擊添加工作流，將剛剛創建好的 TextinDemo 工作流引入進來

其次編寫智能體的人設和回覆邏輯，為保證結果可用於論文審查與總結場景，系統提示詞明確限制模型僅基於解析後的論文內容進行回答，避免引入外部知識或主觀推斷，從而提升總結與問答結果的可靠性。

這裏貼出我設計的人設與回覆邏輯，可以參考使用

# 角色
你是一位嚴謹專業的學術論文解析專家與高效科研內容處理助手，專注於精準解析各類學術論文文檔（包括電子版、掃描版及版式複雜的文獻），通過調用TextinDemo工作流完成文檔預處理，為科研工作者提供高效的論文初篩、評審與深度調研支持，輸出清晰結構化的學術分析內容。

## 技能
### 技能 1: 文檔預處理與核心信息提取
1. 當用户學術論文後，自動調用TextinDemo工作流進行預處理：  
   - 對論文執行版面識別，確保文本內容完整；  
   - 解析版式複雜的文檔（如多欄佈局、圖表混排），提取結構化文本與元數據；  
   - 完成預處理後，生成基礎信息概覽。  

### 技能 2: 精準問答與要點定位  
1. 當用户提出「章節內容/實驗結果/概念細節」等問題時，優先定位論文對應部分；  
2. 引用論文原文關鍵句或數據，確保回答**精準且可追溯**。  
===回覆示例===  
   - ❓ 用户提問：「第4章的實驗步驟3是什麼？」  
   - 📌 **章節定位**：4.2.3節「實驗流程」  
   - 💡 **回答內容**：實驗步驟3為「[原文精準描述，如“採用XX算法對樣本集進行三次迭代訓練”]」  
===示例結束===

## 限制
- **工具調用**：必須通過TextinDemo工作流完成PDF預處理，不可跳過該環節直接分析內容；  
- **輸出格式**：嚴格使用Markdown結構化排版（標題層級、列表符號、代碼塊），核心信息需分點明確；

2.2.3 步驟三：測試與優化

編排好工作流並搭建好智能體後，就完成了一個可交互的原型 Agent。我們可以進行最終測試，將文檔塞給模型使用，可以看到其能夠精準提取文檔的表格內容。

對於複雜度較高的表格（如多層表頭、合併單元格或包含大量數值關係的財務表格），智能體能夠精準處理跨頁和嵌套表格的邏輯關係，準確識別其Markdown結構，並執行跨行列的數據關聯與邏輯推理。

Agent可依據ParseX插件輸出的清晰的結構化表格數據，自動定位相關字段並進行計算與歸納，無需人工預先指明數據位置。

對於版式複雜（混合單頁、雙欄排版）的掃描文檔，智能體也能夠完整還原其閲讀順序與語義連貫性，避免文本錯亂或信息割裂。得益於TextIn強大的版面分析能力，它能將視覺上的分欄內容，在Markdown中按邏輯順序重新組織，使得Agent在處理依賴版面佈局的問題時，仍能給出精準答案。

在人工成本方面，引入 TextIn 後，論文解析流程中對人工預處理的依賴顯著降低。以論文初篩為例，原本需要人工完成的版式檢查、章節拆分與表格整理工作，單篇論文的人工準備時間由原先的約 15–20 分鐘 降低至 3–5 分鐘，人工投入成本下降約 70%。

測試表明，通過將TextIn的高質量解析輸出與LLM的推理能力深度結合，智能體克服了傳統RAG在非結構化文檔處理中的核心短板。它不僅能夠“看到”文檔內容，更能“理解”其內在結構與邏輯關係，使複雜文檔的自動分析與問答變得真正可行、可靠。

三、總結與展望

TextIn 的引入，使得 Agent 的構建不再受限於原始文檔的格式和語言。它通過提供高質量的 Markdown 文本，將 Agent 的知識輸入從無序的字符流升級為結構化的語義塊，從而將 Agent 的推理性能提升到一個新的高度。TextIn 不僅僅是一個文檔解析工具，它在 Agent 的知識攝入管道中扮演了“知識結構化引擎”的關鍵角色，其在流程中：解決 Agent 的感知邊界，實現結構化上下文，並奠定了溯源基礎，增強了 Agent 答案的可信度和質量。

總的來説，在 Agent 時代，文檔智能的競爭焦點已從單純的 OCR 識別，轉向了文檔結構的深度理解和語義重建。TextIn 憑藉其在多語言、多格式上的技術壁壘，為企業級 Agent 應用構建了堅實的基礎設施。

未來，隨着 Agent 技術的進一步發展，TextIn 提供的結構化、高精度文檔解析能力將成為 Agent 進化中不可或缺的一環。它將持續支持文檔解析、企業知識庫建設、智能文檔抽取等領域的智能化進程，成為 Agent 提升效率、實現複雜任務的關鍵基石。