技能介绍

问题：文档解析质量缺乏系统化证据

当你把 PDF、扫描件或混合版式文档接入检索增强生成（RAG）或结构化抽取流程时，一个容易被忽略的前提是：上游文档解析器是否真的保留了标题层级、表格关系、阅读顺序和必要的空白语义。如果解析结果只是一堆看似可读的纯文本，那么后续的向量化检索和 embedding 相似度可能已经丢失了关键结构信号，导致 agent 在引用来源或执行抽取时出现难以复现的偏差。手动抽查几十份文档既低效又难以作为长期回归依据。

核心能力与关键步骤

@user_3c6cb52e/evaluate-document-parsers-for-agent-ingestion-with-parsebench 把评估过程标准化为可重复的流程：

选择被评估的解析器或模型运行器，明确 parser 或 runner 的配置来源。
从业务中抽取一组有代表性的文档作为测试集，覆盖典型版式、表格密度、扫描质量与语言混合场景。
运行 ParseBench 基准，重点关注结构保真度分数（structure-preservation scores），而不是只看文本相似度。
将结果与预设阈值对比，判断解析输出是否适合进入 retrieval、extraction 或 decision-support 这类下游代理任务。

该技能不替代模型选择，而是提供一个证据层：让运维人员在上线前拿到可量化的可靠性判断，而不是凭直觉调整 prompt 或 chunk 策略。

适用边界与注意点

这个技能适合需要审计解析管线质量、做回归测试或向团队提供上线依据的工程师。它不负责修复解析器本身，也不覆盖下游 agent 的推理准确性。评估结果高度依赖测试文档是否贴近真实生产分布；如果测试集过于单一，分数可能高估线上表现。此外，上游 ParseBench 的具体计分口径以官方文档为准，使用前应确认本地配置与 runner 版本一致。