最近看到 吴恩达 发布了一门新课
👉 Document AI: From OCR to Agentic Doc Extraction

在LLM for everything时代，我们团队也需要一个文档解析sota实现，所以第一反应是：

这不正好对口吗？

于是兴致勃勃点进去，看完之后的真实感受却是：

😓 课程本身更像是一套围绕某个产品的“方法论式推广”，而不是一门中立、系统的 Document AI 技术课。

但——
这门课里确实抛出了一个值得认真对待的新概念：

Agentic Document Extraction

本文就顺着这个概念，把**“去掉产品包装之后，它真正有价值的思想”**拆解出来。

一 “Agentic Document Extraction”到底是什么？

去掉课程和产品包装之后，这个概念本身确实值得认真对待。

一句话理解

Agentic Document Extraction 并不是一个模型，而是一种系统设计范式。

它的核心变化不在“识别能力”，而在于：

谁来控制文档解析流程

---

二 传统文档解析 vs Agentic 思路

传统 OCR / OCR + LLM

Document
 → OCR
 → Text
 → LLM
 → JSON

特点：

• 流程是 静态的
• 错了只能重跑
• 很难解释“为什么这么抽”

---

Agentic Document Extraction

Agent
 ├─ 判断文档类型
 ├─ 选择解析策略
 ├─ 多轮调用 OCR / Layout / Table
 ├─ 验证字段是否有证据
 └─ 输出结构化结果 + 证据

这里的关键不是“Agent”这个词有多 fancy，而是：

LLM 从“被动处理文本”，变成了“主动控制解析流程”

---

三 Agentic 的三个关键思想（这是精华）

1️⃣ 解析流程是“可决策的”，不是写死的

Agent 可以做的事情包括：

• 这是发票？合同？简历？
• 是表格优先，还是段落优先？
• 字段缺失，是否重新定位区域？

这一步解决的是 复杂、多模板文档的泛化问题。

---

2️⃣ 输出的不只是字段，而是「字段 + 证据」

一个 Agentic 输出更像这样：

{
  "total_amount": {
    "value": "1234.56",
    "evidence": {
      "page": 1,
      "bbox": [120, 560, 260, 600],
      "text": "Total Amount 1234.56"
    }
  }
}

这一步非常重要，因为它直接解决了：

• LLM 幻觉
• 审计 / 合规
• 人工复核成本

---

3️⃣ 文档理解不再是一次调用，而是一个过程

传统 pipeline 假设：

“一次 OCR + 一次 LLM 就够了”

Agentic 假设：

“复杂文档需要多轮尝试、验证、修正”

这是工程哲学上的转变。

---

四 但是。。。冷静一点：Agentic 不是银弹

这也是课程里几乎不讲，但工程上必须面对的现实。

Agentic 的真实代价

• 延迟更高
• Token 成本更高
• Debug 更复杂
• 系统复杂度明显上升

所以结论是：

80% 的文档解析场景，其实不需要 Agentic。

---

五、那这个概念真正的价值在哪里？

我认为不在于“现在立刻全量用”，而在于：

✅ 它给了我们一个高端能力的目标形态

你可以不买这辆车，但知道：

• 未来优秀的 Document AI 应该：
  • 可解释
  • 有证据
  • 能处理复杂版式
  • 能自适应策略

---

七、我的工程判断（非常重要）

什么时候 Agentic 是“值得的”？

• 合同 / 法律文档
• 财务报表
• 高价值、低容错业务
• 需要可审计、可解释

什么时候不值得？

• 模板固定
• 字段很少
• QPS 极高
• 成本极敏感

---

八、回到这门课本身

如果一句话总结这门课：

它不是一门教你“怎么实现 Document AI”的课，而是一门教你“Document AI 产品应该长什么样”的课。

站在工程师角度，它确实产品味很重；
但站在趋势判断角度，它提出的 Agentic Document Extraction，是一个值得我们消化、拆解、去产品化理解的重要概念。

---

结语

你完全可以不认同这门课的产品导向，
但没必要忽略它抛出的那个核心问题：

当文档越来越复杂，仅靠 OCR + 一次 LLM 调用，真的够吗？

Agentic Document Extraction 给出的不是唯一答案，
但它指向了一个清晰方向。

我们真正该做的，是：

理解这个方向，然后用自己可控的方式去逼近它。