夜雨聆风用"智能体文档提取"解锁你文件里的数据
Landing AI Agentic Document Extraction · 完整中文实录
Unlock data from your files with Agentic Document Extraction
🎬 视频来源：DeepLearning.AI（YouTube）
📅 发布于 2026 年 1 月 26 日 ｜ ⏱ 时长约 1 分 56 秒 ｜ 👀 7,300+ 次观看
🔗 https://youtu.be/e1uGELOgp2M
PDF、发票、报表、合同——这些文件里锁着大量数据，传统 OCR 只能认字，读不懂版式。Landing AI（吴恩达创立的公司）在这段短片中介绍了他们的新方案 ADE（Agentic Document Extraction，智能体文档提取）：像人一样"看"文档，再由智能体把内容可靠地提取出来。以下是完整文字实录（中译）。
· · ·
01｜ADE：不是改良，而是全新范式
ADE 并不是在既有技术上往前迈了一小步，而是由我们的工程师开创的一种全新的文档 AI 方案。它属于"智能体时代"（agentic era）的产物，采用的是"视觉优先、以数据为中心"的方法。
这就是 ADE 的三大支柱：
① 视觉优先（Vision first）
② 以数据为中心（Data-centric）
③ 智能体化（Agentic）
02｜三大支柱分别是什么意思？
这三大支柱各自的含义是什么？
视觉优先，意思是把文档当作视觉对象来对待——文档的含义不只存在于文字里，而是编码在版式（layout）、结构和空间关系之中。
以数据为中心，意思是在最高质量、经过精心筛选的数据上做训练。我们相信：正确的数据与正确的模型架构同样重要。
最后是智能体化——交付这样的系统：它会规划、决策、执行、验证，循环往复，直到结果达到质量阈值为止。
💡 要点：与"读字"的传统 OCR 不同，ADE 读的是"版面"——标题在哪、表格怎么排、图和文字什么关系，这些都参与决定内容的含义。这也是它能在复杂表格、图表、表单上大幅超越 OCR 的根本原因。
03｜技术架构：从视觉底座到应用层
这张架构图真正说明了一个核心观点：视觉是 ADE 的根基。Landing AI 把多年积累的视觉技术专长，带到了文档 AI 这个问题上。
架构的最底层，是最先进的文档原生视觉模型（document-native vision models）——它们被训练得能像人类一样"看"文档。
在这个底座之上，是负责解析与路由的智能体：文本、表格、图片等不同类型的内容块，会各自走各自的提取通路。
最顶层是智能体与应用层，聚焦用户在文档处理流程中真正需要的能力，例如字段提取（field extraction）和文档拆分（document splitting）。
架构一览：视觉模型底座（像人一样看文档）→ 智能体解析与路由（文本/表格/图片分路处理）→ 智能体与应用层（字段提取、文档拆分等实用功能）
04｜DPT：文档预训练 Transformer 模型家族
前面提到的那些基础视觉模型，属于一个不断壮大的家族——文档预训练 Transformer（Document Pre-trained Transformer，简称 DPT）。
截至本次录制时，你可以选择 DPT-1、DPT-2 和 DPT-2 mini 三种模型。它们都能返回高质量的文档解析结果，包括：
📖 阅读顺序检测（reading order detection）
📐 版面布局检测（layout detection）
🔤 文字识别（text recognition）
🖼 图片描述生成（figure captioning）
· · ·
📌 关于本文
本文为视频《Unlock data from your files with Agentic Document Extraction》（DeepLearning.AI 频道，2026 年 1 月 26 日发布，时长约 1 分 56 秒）的完整中文译文，内容依据视频自动字幕逐段翻译整理。ADE 由 Landing AI 开发，可在 va.landing.ai 体验。译文如有疏漏，以原视频为准。