WorkBuddy 新挖到一个狠活 Skill：PDF 不只是能读，连结构都能拆出

复杂文档解析的真正难点在结构保真

现在把 PDF、研报、财报直接丢给 AI 已经很常见了，但我最近碰到的一个任务，让我发现真正麻烦的其实是更前面那一步。

我手里有一份 11 页的人形机器人研报，后面不只是要让 AI 总结内容，还准备继续做 PPT、重排表格、提取图表里的数值。直接读文字并不难，难的是怎么先把这份文档拆得足够完整：表格不能散，图表里的数字不能只剩在图片里，阅读顺序也不能乱。否则第一步少掉一点结构，后面越处理越麻烦。

TextIn xParse 补足 WorkBuddy 的复杂文档解析能力

我在 WorkBuddy 里翻连接器时，正好找到TextIn xParse，看起来和这个需求很对路，就直接安装上了。

然后我就拿这份研报试了一遍。结果比我预期更有意思：196 个内容块、5 张表格、7 张图表、20 张图片都被拆了出来，图表里的数值也能继续拿来处理；后面即使换了不同的 PPT 生成方式，这些已经解析出来的结构化数据仍然可以继续复用。

如果你的文档后面还要继续交给 RAG、Agent、知识库或者数据分析流程，这种“结构保真”能力，比单纯把字识别出来重要得多。

先说 TextIn xParse 是干什么的。它不是简单把 OCR 再包装一层，而是一套面向复杂文档的解析服务。OCR 更接近解决“这里写了什么”，xParse 还要继续处理“这段是什么、先读哪里、表格怎么排、数字属于哪个单元格、图表里的数值对应哪条轴”。

对普通用户来说，这个差别其实很好判断。

如果只是从图片里找一个合同编号、发票金额，普通 OCR 可能已经够了。但如果要处理财报、研报、论文、招股书，后面还准备接 RAG、Agent 或知识库，那就不能只拿到一串文字。表格关系、标题层级、阅读顺序、图片和图表数据，最好一起留下来。

WorkBuddy 本身可以读取普通文档，但遇到扫描件、复杂排版、跨页表格和图文混排时，真正难的是把原来的结构关系保住。文字即使识别出来，段落顺序、表格逻辑、图表和说明一旦散掉，后面的 AI 处理就容易出错。xParse 在 WorkBuddy 里补的，正是这层复杂文档解析能力。

实际解析效果：196个内容块与结构化图表数据

TextIn xParse 官方支持 PDF、Word、Excel、PPT、图片等多种格式，可识别文本、表格、图片、页眉页脚、公式、公章等 16 类内容元素，还能处理标题层级、跨页表格、阅读顺序和图表数值，最终输出 Markdown 或 JSON，支持 50 多种语言。

官方给出的性能口径是百页级 PDF 约 2 秒完成解析，并披露了 1000+ 企业客户、累计处理 10 亿+ 页文档等规模数据。这些属于官方信息，我没有逐项做独立压测；这篇文章真正想看的，是它在一份复杂研报上的实际表现。

这次我没有单独写调用脚本，而是直接通过 WorkBuddy 里的 TextIn xParse 连接器来用。

这里的接入方式比我原本想的还简单。推荐直接走 WorkBuddy 的「连接器」。登录 WorkBuddy，在左侧「连接器」里找到 TextIn xParse，点「+」添加，完成直连后就可以直接调用。

TextIn 在 WorkBuddy 上架时公布的政策是，WorkBuddy 用户可获得每日 1000 页解析额度。

添加成功后，使用方式就很接近普通 AI 对话了。

我这次给的指令很直接：

把这几张 PPT 照片解析成结构化内容，保留表格、图表数值和阅读顺序。

背后调用的是 xParse 的 pdf_to_markdown 解析能力。我保留了几个关键参数：parse_mode=scan、dpi=144、apply_chart=1。

这里面我比较关注的是 apply_chart=1。它让图表不只是以图片形式留下，还会进一步尝试提取其中的数据。这一点对后面的 AI 流程很重要，因为“能看见一张图”和“能拿到图里的数字继续计算”，完全是两件事。

实际跑完之后，PDF 正常解析完成。

这份 11 页研报最终得到 196 个按阅读顺序排列的内容块、5 张表格、7 张图表和 20 张图片。

正文顺序基本保留，标题层级可以从 outline_level 这类结构字段里继续拿，图片和图表对象也会单独存放。后面做重建、检索或者多模态处理时，不需要再回 PDF 里重新裁一次。

图表与表格：结构化解析的核心价值所在

真正让我觉得 xParse 有价值的，是图表和表格这两类内容。

普通 OCR 碰到柱状图，可能会把年份、百分比、标题都识别出来，但很容易只剩下一堆零散数字。比如 28.6% 识别对了，却不知道它对应哪一年、哪一根柱子，后面的 Agent 依然很难直接使用。

xParse 这次会把图表识别成 image(sub_type=chart)，同时继续抽取其中的数据，以结构化表格形式放进返回结果。也就是说，一张图进去，出来的不只是图片，还能拿到一份可以继续查询、计算和校验的数据。说实话，这让我非常震惊！

这一点很适合 RAG 和 Agent。

因为模型真正需要的通常不是“我看见这里有一张图”，而是“这张图里 2024 年对应什么数值，和 2023 年相比变化多少”。如果前面的文档解析没有把这些关系保住，后面的模型再强，也只能在残缺输入上做推理。

表格同样如此。

这次样本里有一张 43 行×13 列 的重点公司市场表现及估值表，宽度和数据量都不小。对这类表，我最关心的不是某个数字有没有识别出来，而是行列关系有没有保住。

例如“815.39”这个数字本身识别对，并不代表解析成功。它还必须继续属于原来的公司、原来的指标和原来的列。表头错一列，后面所有数字都可能看起来没问题，但其实已经全错位了。

这也是 xParse 和普通 OCR 最明显的区别：它交付的不只是文字，而是带着结构关系的内容。

两条 PPT 路径验证：结构化中间层的复用价值

为了看清这种结构化结果到底有多大用，我后面又走了两条不同的 PPT 路径。

第一条是直接做 PDF 转 PPT。这个环节调用的是另一项文件转换能力，不属于 xParse 本身。转换后正文和大部分普通内容都还在，但那张 43×13 的超宽表没有完整保留下来。

我一开始以为，是不是前面的解析也把表弄丢了。

回头去查 xParse 输出的 raw_result.json 才发现不是。整张表的单元格数据还完整保存在解析结果里。

这件事反而让我更直观地感受到结构化解析的价值。

因为后面的文件转换环节即使出了问题，只要前面的结构化数据还在，就还有恢复空间。我最后直接从 xParse 的解析结果里读取这 43 行数据，用 python-pptx 把大表重新构建成原生 PPT 表格。

重建之后，我又挑了几个关键值做反向校验：拓普集团市值 815.39、绿的谐波 PE 298.45、三花智控 1,483.22，以及原表里的 #DIV/0!、斜杠等异常值，都还能从原始解析结果中找到。

这里有个小细节我挺在意。#DIV/0! 看起来像“脏数据”，但源表里本来就是这样，解析器就应该先忠实保留，而不是自作主张帮你修掉。对文档解析来说，保真往往比“看起来更干净”更重要。

然后我又试了第二条路。

这次不再使用前面的 PDF→PPT 转换能力，只保留 xParse 第一次生成的结构化 Markdown，再把它交给一个普通的 slides 制作流程重新生成 PPT。

这条路径里，下游工具已经换了，但前面 xParse 提取出来的结构化内容仍然可以继续往下用。

比如原 PDF 里的营收、归母净利润原本都是图表。xParse 在第一次解析时已经把图里的年份和数值提取了出来，所以换成普通 slides 工具之后，这些数据不需要重新 OCR，就能直接重新组织成原生表格。

原来那张 43 行×13 列的估值表也是一样。因为单元格数据已经在 xParse 的解析结果里，后面的 slides 工具可以根据版面需要重新拆页，原表中的公司、市值、涨跌幅、归母净利润一致预期、PE 等核心字段和数值都还能继续读取并重建。

结构化中间层：AI 文档处理链路的关键预处理

把两条路径放在一起看，我反而更确定 xParse 的价值不在“帮我生成 PPT”。

第一条路里，后面的 PDF→PPT 转换丢了一张大表；但回头查 xParse 的解析结果，数据还在，所以能重新补回来。

第二条路更直接：干脆不用原来的转换方式，把 xParse 输出的 Markdown 交给另一个普通 slides 工具，表格和图表里的数据照样能继续往下用。

也就是说，下游工具可以换，前提是第一步解析没有把信息弄丢。

这才是我觉得 xParse 真正值钱的地方。

它提供的不是一次性的“识别结果”，而是一份后面还能被 Agent、PPT 工具、RAG、数据库继续消费的结构化中间层。表格的单元格、图表的数值、标题的层级、阅读的顺序，都先被尽可能保留下来。

反过来，如果第一步解析只给了一串文字，或者一开始就把表格关系和图表数值弄丢了，后面换什么工具都很难再补回来。

xParse 作为连接器，还可以和 WorkBuddy 里的其他连接器继续联动。比如从腾讯文档读取周报，解析后让 AI 汇总，再写回腾讯文档；或者从 QQ 邮箱读取合同附件，提取关键条款后生成审查意见。这样 xParse 就不只是“解析一个文件”，而是能嵌进 读取 → 解析 → AI 处理 → 写回 的完整任务链里。

所以这次跑下来，我觉得 TextIn xParse 最适合的使用场景，其实不是简单 OCR，而是 AI 真正开始读复杂文档之前的那一层预处理。

比如财报问答、研报分析、论文知识库、合同检索、企业 RAG、Agent 自动整理，这些任务后面都会依赖文档结构。如果表格、图表、标题层级和阅读顺序在第一步就丢了，后面只能不断补救。

而 xParse 做的事情，是尽量把原本只适合人看的页面，先变成机器能继续消费的结构化内容。

对开发者来说，可以继续用 Markdown、JSON 接到自己的 RAG、数据库或者 Agent 流程里；对不想写代码的人，现在也可以通过 WorkBuddy 这种入口直接调用，门槛比以前低了不少。

当然，这次只测了一份 11 页研报，不代表所有文档都能得到完全一样的结果。合同、论文、扫描档、跨页财报、复杂公式都有自己的难点。真要接进生产流程，最好还是拿自己最难处理的那批文件先跑一遍。

但至少在这份“数字多、表格宽、图表密”的样本上，TextIn xParse 给我的感觉很明确：它不是简单把 PDF 里的字搬出来，而是在尽可能把一份复杂文档原本的结构一起搬出来。

如果后面还要把文档交给 AI，这一步很值。