昨天试了下LlamaIndex团队刚开源的DocJev，直接改变了我对文档处理的…

昨天试了下LlamaIndex团队刚开源的DocJev，直接改变了我对文档处理的认知。 以前处理PDF、DOCX这些文档，要么手动分类，要么写一堆正则表达式匹配关键词。现在DocJev直接用自然语言描述规则，它就能帮你把文档分好类，甚至按边界拆成子文档。 项目地址：github.com/jerryjliu/docj… 我实际测试了一个场景：有一批合同文档，我用自然语言写了条规则"包含甲方乙方信息的合同类文档"，DocJev直接把所有符合的文档挑出来了，还给出了概率分布。整个过程不到10秒。 它的架构设计很有意思，解析和决策完全分离。解析层用的是liteparse，本地Python解析器，免费无API费用。如果遇到复杂版式，可以切换到LlamaParse，基于VLM的解析器，擅长处理表格、多栏布局这些复杂场景。 决策层用的是Jev托管服务，把解析后的文本发过去，返回类别、概率和分布。这种分离设计的好处很明显：解析结果可以复用，parse一次就能classify和split多次，不用重复解析。 我特别喜欢它处理DOCX和PPTX的方式。这些格式需要先通过LibreOffice渲染成PDF，然后走统一的解析流程。这样不管原始格式是什么，处理逻辑都是一致的。 实际使用中，我发现它特别适合处理那种"文件包"场景。比如一个项目文件夹里混着合同、报告、会议纪要，用自然语言描述"按文档类型拆分"，它就能自动识别边界，拆成子文档并给出页码范围。 有个细节让我印象深刻：它支持版本锁定和缓存。如果你的解析规则变了，可以锁定版本确保结果一致。缓存机制也能避免重复解析，节省时间。 项目里提到的"6倍速度"对比是包含liteparse解析时间的全链路数字，不是单纯比较决策速度。这个透明度让我觉得挺靠谱的。 如果你经常需要处理大量文档，特别是需要分类、拆分、归档的场景，DocJev值得试试。它把文档处理从"写代码匹配"变成了"用自然语言描述"，这个转变的意义比工具本身更大。