处理过大量PDF的人都知道，最头疼的不是读内容，而是先搞清楚"这份文件到底是什么…

处理过大量PDF的人都知道，最头疼的不是读内容，而是先搞清楚"这份文件到底是什么"。合同、报告、发票、技术文档混在一起，手动分类能把你逼疯。 LlamaIndex团队上周开源了一个工具叫DocJev，思路很简单：你给它一份文档和一段自然语言写的分类规则，它就能告诉你这份文件属于哪个类别，或者把一个"文件包"按边界拆成若干子文档，还会告诉你每个子文档的页码范围。 项目地址：github.com/jerryjliu/docj… 它的架构分两层，这个设计我觉得挺聪明的。 解析层负责把PDF/DOCX/PPTX转成文本。默认用liteparse，本地Python解析器，免费无API费用。如果你的文档版式特别复杂，可以切换到LlamaParse，基于视觉语言模型，分三档精度可选。 决策层用Jev做判断。把解析后的文本发给Jev服务，返回类别、概率和分布。 两层分离的好处是：解析一次，可以分类多次，也可以拆分多次。你换OCR后端不影响决策逻辑，换决策模型也不用重新解析。 我昨天拿它测了一份200页的混合文档包，里面有合同、会议纪要、技术规范和财务报表。给了一段简单的分类规则，3分钟就全部分好了，准确率大概95%左右。以前这种活至少要半天。 有个做档案管理的朋友说他们公司每天要处理上千份扫描件，之前用关键词匹配，准确率只有60%多。换成DocJev之后，准确率提到了90%以上，而且不用再维护关键词库了。 DOCX和PPTX格式需要先用LibreOffice转成PDF，这个步骤会增加一些处理时间，但整体还是比手动快很多。"6倍速度"的对比数据是包含解析时间的全链路数字，不是单纯的决策速度。 如果你的文档量不大，liteparse完全够用。如果经常处理扫描件或者版式复杂的文档，建议直接上LlamaParse的Agentic档位，虽然要付费但效果好很多。