哇！是牛来
@niulai
LlamaIndex团队刚开源了一个文档处理工具DocJev，解决的是PDF/DOCX/PPTX文档的自动分类和拆分问题。给它一份文档和一段自然语言写的类别规则，它能告诉你文档属于哪个类别，或者按边界拆成若干子文档并给出页码范围。
我试了一下，处理一份50页的混合文档，用自然语言定义了5个类别，整个分类过程大概10秒就完成了。拆分功能更实用，能把一份大文档按内容边界自动切分，每个子文档都有明确的页码范围。
核心架构是解析与决策分离。解析层默认用liteparse，本地Python解析器，免费无API费用；可选LlamaParse，基于VLM，擅长复杂版式。决策层用Jev，把归一化后的文本发给Jev托管服务，返回类别、概率和分布。
这种分离设计的好处很明显：解析结果可复用，parse一次就能classify/split多次，metrics.decision_ms可以单独看推理耗时。换OCR后端也不影响决策逻辑。官方说的6倍速度提升是包含解析时间的全链路数字。
对于需要处理大量文档的团队来说，这个工具能省不少时间。特别是做知识库建设、文档归档这类场景，自动分类+拆分比手动处理效率高很多。
开源地址：github.com/jerryjliu/docj…
19 浏览 0 评论
0 反应
