Document Parser Agent

一个针对产品更新 Excel 的专用解析 Agent，把多月 worksheet 拆分、LLM 抽取为 JSON，再合并成年度/功能矩阵。

这个能力解决什么问题

很多“文档解析 Agent”其实无法说明输入格式和输出结构。这个项目很具体：输入是一份包含 Date、Title、Features、Editions 的 Google 产品更新 Excel，目标是从每行描述中抽出具体 feature、判断 added/removed/updated，并映射到受影响产品或版本，最后按月份和年份整理成表格。它解决的是半结构化 Excel 更新记录到结构化产品变更矩阵的转换。

核心逻辑

输入是按 worksheet 组织的 Excel 文件。第一步用 Year_Sheet_fun.py 把源 Excel 按年份/月度拆成更小文件，减少长上下文导致的幻觉；第二步 Parser.py 遍历目录中的 Excel sheet，检查必需列，把每行格式化成文本；第三步 Agent.py 用 ChatOpenAI/ChatPromptTemplate 把文本抽取成 JSON 数组；第四步 Combine.py 清洗字符串列，把 JSON 结果按年份和 sheet 名合并回 Excel；后续转换脚本再转成功能×年份的矩阵。输出是 JSON 中间文件、年度 Excel、功能特定矩阵。

技术结构

• Packages/Year_Sheet_fun.py：预处理和按年份拆分，用来控制 LLM 输入长度。
• Packages/Parser.py：目录级批处理，读取 sheet、校验 Date/Title/Features/Editions、跳过无效行、保存 JSON。
• Packages/Agent.py：实际 LLM 抽取层，围绕产品更新文本生成结构化字段。
• Packages/Combine.py：后处理层，清洗 DataFrame 字符串结构，并把 JSON 合并成 Excel。
• 脚本入口：README 说明先运行 prepare.py，再运行 main.py，体现“预处理 → 抽取 → 合并”的批处理链路。

为什么值得参考

它的价值不在通用性，而在“任务窄到可验证”：输入列、抽取字段、JSON 中间层、Excel 输出都很明确。尤其是先按年份/月度拆分再让 LLM 抽取，这比把整份 Excel 一次塞给模型更接近可维护的数据管线。

为什么不建议直接套用

项目高度绑定 Google 产品更新样例和固定列名；换一个行业文档就需要重写 schema、字段推断和合并逻辑。它依赖 GPT-4o/OpenAI 与 LangChain，缺少对模型输出 JSON 失败、重复 feature、跨 sheet 去重和人工复核的完整说明。作为生产解析器，还需要补充测试样本和错误报告。

如何改造成自己的版本

借它的流水线：先固定输入表结构和目标字段，再做“拆小文件/分 sheet → 行级抽取 → JSON 中间层 → 表格合并 → 人工抽检”。内部版本应把抽取 schema 独立成配置，给每条 JSON 加来源 sheet、行号、原文摘要和置信度；合并前做字段枚举规范化，例如 action 只能是 added/removed/updated。不要把行业 prompt 写死在 Agent 代码里。

适用场景

• 半结构化 Excel/CSV 中有固定列和重复抽取任务。
• 需要保留 JSON 中间层，方便复核和重跑。
• 输出目标是月度/年度统计表或功能矩阵。

不适用场景

• 输入文档格式变化很大、没有固定列。
• 需要法律/财务级逐字准确，不允许 LLM 推断。
• 没有人维护 schema、去重和人工抽检流程。

公开版边界

• 项目较新，成熟度待验证。

参考信息

• 原项目：Document-Parser-Agent
• 作者：Micheliliuv87
• 相关概念：[[文档解析]]、[[结构化抽取]]、[[Excel 批处理]]
• 相关卡片：保守留空