jerryjliu/docjev

解決的問題

DocJev 提供了一種基於自然語言規則自動分類文件並將大型 PDF 封包拆分為個別文件的方法。它解決了手動整理多頁檔案（例如包含各種財務報告的合併 PDF）並識別文件起止點的問題，即使相鄰文件屬於同一類別也能處理。

運作方式

該系統使用 OCR 和決策引擎的管線。它使用 LiteParse（本地）或 LlamaParse（針對複雜版面的雲端 OCR）從 PDF、DOCX 或 PPTX 檔案中提取文字。這些文字隨後會發送到 Jev 決策引擎（託管服務），該引擎應用自然語言類別規則來預測文件的類別或頁面之間的邊界。此過程是頁面級別且連續的，這意味著它會識別每個區段的頁面範圍。

目標用戶

它專為需要處理大量非結構化文件封包的用戶和開發人員而設計，特別是在金融、政府或法律領域，這些領域的稅務表格、新聞稿和財務報告等文件通常會被捆綁在一起。

特色亮點

• 多格式支援： 處理 PDF、DOCX 和 PPTX 檔案。
• 靈活的規則： 使用基於 YAML 的自然語言描述來定義類別和拆分邏輯。
• 混合 OCR： 提供透過 LiteParse 進行的本地解析，以及透過 LlamaParse 進行的可選雲端 OCR。
• 審核標記： 自動標記不確定的邊界或類別衝突，以供人工審核。
• 效能基準： 包含與 GPT-5.6 Luna 等其他模型相比的決策延遲和準確度的詳細比較。