PDF转Markdown新利器:智能体AI解析器深度测评

字数 4163，阅读大约需 16 分钟

对LandingAI全新ADE文档解析API在LLM、RAG及智能体工作流中的性能基准测试

从PDF中提取干净的文本已成为当今众多LLM工作流的核心需求，涵盖标准检索增强生成（RAG）到现代智能体AI系统的各种应用场景。

然而，传统PDF解析器往往丢失文档结构、格式和视觉元素，导致提取内容的可用性大打折扣。输入垃圾，输出垃圾。

Markdown已成为LLM的标准目标格式。真正的挑战在于如何将复杂的真实世界PDF转换为干净的Markdown，同时不丢失任何信息。

在系列文章中，我已针对同一基准文档测试了十余款PDF转Markdown工具。如今，我将对LandingAI全新推出的智能体文档提取（ADE）工具进行测试。

AI智能体能否生成完美的Markdown？

智能体PDF转Markdown转换

LandingAI的ADE采用智能体方法来解析文档。从本质上讲，这意味着LLM充当”大脑”，根据文档内容调用专业工具进行推理和操作。

基本理念是：现实世界的文档往往杂乱、复杂且多样。有些文档只是纯文本，有些则包含图表、表格和手写内容，有些是光照不佳的文档低质量照片。

与一刀切的工作流相比，智能体方法增加了灵活性，因为智能体可以自主决定如何处理每个文档。

LandingAI智能体文档提取的工作原理

ADE解析文档的具体过程并未公开披露。然而，根据文档页面和LandingAI在线课程”Document AI: From OCR to Agentic Doc Extraction”的内容，我们可以进行一些推测 [1]。

与传统OCR方法不同，ADE将文档视为视觉对象。ADE特别关注文档的布局和结构，因为这些元素包含重要信息。例如，考虑人类如何阅读双栏布局，以及传统OCR如何处理它。

PaddleOCR 3：业界领先的开源PDF转Markdown方案

ADE的功能可能与PaddleOCR 3非常相似，特别是PP-StructureV3文档解析管道。这个多模型管道通过五步处理工作流将PDF文档转换为Markdown和JSON格式 [2]。

PaddleOCR 3.0的PP-StructureV3管道 [2]。工作流主要包括预处理、OCR、布局分析、文档元素识别和后处理。根据CC BY 4.0许可证授权使用。

以下是PP-StructureV3功能的简要总结 [2]：

1. 1. 预处理： 修正图像旋转和畸变
2. 2. OCR： 检测并识别所有文本内容
3. 3. 布局分析： 用边界框对文档中所有重要区域进行分类和定位
4. 4. 文档元素识别： 将布局分析中的特定区域发送给专业模型，用于识别表格、公式、图表和印章
5. 5. 后处理： 根据正确的阅读顺序对所有元素进行排序

Docling也执行类似的功能，包括对PDF文档的OCR、布局分析、表格识别和后处理 [3]。

之前已经对PaddleOCR的PP-StructureV3和Docling进行了基准测试。当时的结果不太理想，因此我很想知道ADE的表现如何。

LandingAI ADE (DPT-2)

对于此任务，LandingAI使用其DPT-2模型：

文档预训练Transformer（DPT）是ADE解析API的核心模型。DPT识别文档布局并进行分块，然后为这些块生成描述性说明（标题）[4]。

这听起来像是一个大型Transformer模型，但也可能是一个由多个较小模型组成的管道。

DPT-2具有表格和图表标题生成、布局检测和块本体分类功能，可对每个检测到的区域进行分类。

使用ADE，我 предполага的是，智能体并非对每个文档都使用相同的管道，而是根据需要调用处理步骤。此外，可能还存在一个反馈循环，智能体可以纠正Markdown输出中的任何错误。

创建Markdown转换测试的基准PDF

为了评估PDF转Markdown转换的准确性，我使用了一个已知标准答案的基准文件。其中包含了所有基本的Markdown语法元素。

使用通用文档转换器Pandoc，我将Markdown标准答案转换为PDF文档bench_pdf_v2.pdf。

结果是一个两页的基准PDF文件，我知道用于创建它的Markdown。

我将使用此基准文档来查看和比较LandingAI的ADE与其他PDF转Markdown工具的结果。

使用LandingAI ADE Python包

ADE提供REST API以及Python和TypeScript库。我将使用Python库来解析我的基准PDF文件。

首先，我们必须使用pip install landingai-ade安装Python包。

然后，我们只需几行Python代码即可执行ADE管道。我们需要创建一个client并传入API密钥。然后，调用客户的parse函数，传入文档路径和最新的dpt-2模型作为参数：

from landingai_ade import LandingAIADEfrom pathlib import Pathclient = LandingAIADE(apikey= "INSERT-YOUR-API-KEY")doc_path = Path("./bench_pdf_v2.pdf") # 更改为您自己的文件路径parse_response = client.parse(    document=doc_path,    model="dpt-2-latest")

执行此代码大约需要六秒，每页消耗三个积分。

parse函数返回一个包含以下字段的ParseResponse对象 [4]：

• • chunks：Chunk对象列表，每个解析区域一个
• • markdown：文档的完整Markdown表示
• • metadata：处理信息（积分使用量、持续时间、文件名、任务ID、页数、版本）
• • splits：按页面或部分组织的Chunk对象列表
• • grounding：将块ID映射到详细定位信息的字典

这意味着我们不仅收到最终的Markdown结果，还收到视觉定位信息。

具体来说，每个检测到的元素称为一个”块”。对于每个块，我们收到包含以下内容的结构化数据：页面、块类型（例如文本、表格、图形、标题）、边界框坐标、置信度和Markdown。

可视化ADE的布局检测

基于这些信息，我们可以准确了解AI在PDF中识别了什么。

我使用了一些辅助函数 [1]来可视化parse_response中的数据。这产生了以下边界框可视化效果。

第一页：

第一PDF页面的边界框可视化（布局检测）。图片由作者提供

第二页：

第二PDF页面的边界框可视化（布局检测）。图片由作者提供

每个边界框就是一个块。例如，访问第一个块的方法如下：

print(parse_response.chunks[0])>> Chunk(id='2df6c4ad-6735-42ac-92a1-5828edae451a',    grounding=ChunkGrounding(box=ParseGroundingBox(bottom=0.2504836618900299, left=0.2118898183107376, right=0.4682390093803406, top=0.15064971148967743), page=0),    markdown="<a id='2df6c4ad-6735-42ac-92a1-5828edae451a'></a>\n\n# Lorem Ipsum\n\nLorem ipsum dolor sit amet.\nConsetetur sadipscing elitr.\nSed diam nonumy eirmod tempor.",    type='text')

边界框信息非常有用。例如，当LLM在RAG系统中引用文档的某个部分时，您可以直观地向用户显示该数据的确切来源。此功能有助于开发者调试并增强用户信任。

评估Markdown输出

让我们将完整的Markdown输出保存为文件并查看结果。

# 将Markdown保存到磁盘with open("output-ade.md", "w", encoding="utf-8") as myfile:    myfile.write(parse_response.markdown)

这为我们的PDF文档生成以下Markdown输出：

<a id='569078a5-d828-4fbc-bde2-b3d4c223b054'></a># Lorem IpsumLorem ipsum dolor sit amet.Consetetur sadipscing elitr.Sed diam nonumy eirmod tempor.<a id='5688ef04-69b5-4a98-b5d4-745fb6d056fb'></a>Lorem IpsumLorem ipsum.*Lorem ipsum.***_Lorem ipsum._**Lorem ipsum.<a id='b3932830-cd5c-4648-904b-bfdce53c1231'></a># Lorem IpsumLorem.&nbsp;&nbsp;&nbsp;&nbsp;Lorem ipsum.&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;Lorem ipsum dolor.&nbsp;&nbsp;&nbsp;&nbsp;Lorem ipsum.1. Lorem2. Lorem ipsum3. Lorem ipsum dolor* Lorem* Lorem ipsum* Lorem ipsum dolor<a id='99cbbade-d994-4dc1-9ea2-2ecf9c37d5a0'></a>Before something<a id='ca05a4c7-d841-4e77-9dae-13a30bd6c74f'></a>After somethingTest: click.Another test: mail@example.comLet's try this:```pythondef add_integer(a: int, b: int) -> int:    return a + b```And also this:```bashcurl -o thatpage.html http://www.example.com/```<a id='80c6444c-1d7e-4f12-b8ee-4bb0906e6945'></a>1<!-- PAGE BREAK --><a id='5b48cd83-cc88-42fb-9b89-b3a8af2e6371'></a>Let's try this:<table id="1-1"><tr><td id="1-2">Hello</td><td id="1-3">To</td><td id="1-4">Medium</td></tr><tr><td id="1-5">Q</td><td id="1-6">W</td><td id="1-7">E</td></tr><tr><td id="1-8">A</td><td id="1-9">S</td><td id="1-a">D</td></tr><tr><td id="1-b">Y</td><td id="1-c">X</td><td id="1-d">C</td></tr></table><a id='e49da3e1-713d-4244-8c08-f84cf83ac6d5'></a>And also this:<table id="1-e"><tr><td id="1-f"></td><td id="1-g">Hello</td><td id="1-h">World</td></tr><tr><td id="1-i">Q</td><td id="1-j">W</td><td id="1-k">E</td></tr><tr><td id="1-l">A</td><td id="1-m">S</td><td id="1-n">D</td></tr></table><a id='10492edd-7252-421c-9f53-53e3fda1680f'></a>And a final test:<::A long-exposure photograph shows star trails across a deep blue night sky. Below the sky, a dark mountain range is visible, partially obscured by a thick layer of white clouds that fill the valleys and stretch across the landscape, with a faint glow visible on the horizon.: image::><a id='f9c838fd-dbb9-47fa-8abe-99954cbc092f'></a>2

总体而言，结果看起来相当不错。

值得注意的是，每个块都以一个不可见的HTML锚点开始。表格使用HTML代码而非纯Markdown实现。

文档中的图像已被描述它的替代文本所替代。定制语法<:: alt text : image::>既不是标准Markdown也不是HTML代码。

处理更复杂的PDF示例

ADE在复杂文档上的表现也相当不错。网络演示包含了四个示例PDF，包含真实世界的表格、图表、手写内容、复选框等。

例如，以下是ADE可以处理的提供的_AccidentStatement.pdf_文件。

LandingAI的Playground中提供的”AccidentStatement”PDF示例的截图

除了解析为Markdown或JSON之外，您还可以拆分文档、提取键值字段以及与文档进行对话。

ADE与其他PDF转Markdown工具的比较

下表总结了我最近对几款PDF转Markdown转换器工具的测试结果 [5]。

与我测试的其他工具相比，LandingAI的ADE是从PDF文件生成干净Markdown以进行后续下游任务的最佳选择之一。

最大的缺点是使用此服务的成本，因为大多数其他工具都可以免费在本地使用。我每页使用三个积分。目前，您可以按现付现用模式购买100个积分，价格为1美元。

结论

LandingAI的智能体文档提取是一款将智能体AI与PDF转Markdown转换工具相结合的新产品。然而，我不确定智能体行为对此任务的必要性。由于是专有解决方案，很难做出判断。

与我尝试过的所有其他工具相比，我认为ADE相当不错。我还喜欢额外的元数据，包括每个块的边界框区域信息。这些信息可用于以后可视化这些块的确切来源。

一个缺点是此工具无法在本地运行。与Docling等本地开源选项相比，ADE要求您将私人文档上传到服务提供商。您还需要按使用量支付积分。

您可以通过注册并获得1000个免费API积分，或使用其基于网络的Playground演示来试用ADE工具。

参考资源

[1] DeepLearning.AI, Document AI: From OCR to Agentic Doc Extraction (2026)

[2] C. Cui等人, PaddleOCR 3.0 Technical Report (2025), arXiv

[3] N. Livathinos等人, Docling: An Efficient Open-Source Toolkit for AI-driven Document Conversion (2025), AAAI 25: Workshop on Open-Source AI for Mainstream Use

[4]LandingAI,PythonLibraryDocumentation: https://docs.landing.ai/ade/ade-python, 访问于2026年2月22日

[5] L. Eversberg, PDF to Markdown Conversion Benchmark — Part 3 (2025), AI Advances