Агенту нужен чистый документ: почему извлечение важнее модели

Microsoft пишет прямо: большие языковые модели существуют уже пять лет, за это время модели стали сильнее, а контент стал грязнее.

По оценке авторов, основная инженерная работа сводится к тому, чтобы превратить сырой PDF, картинку или аудиофайл в проверяемую информацию, на основе которой агент может действовать.

Извлечение контента (content extraction) - это слой между файлом и моделью.

Он распознаёт текст, восстанавливает структуру (заголовки, колонки, таблицы), вытаскивает поля и запоминает, где в исходнике лежит каждое значение.

Одна только спецификация формата PDF, ISO 32000-2, занимает около тысячи страниц. Прайс-лист на экране выглядит аккуратной таблицей, а внутри файла он хранится как набор разрозненных текстовых фрагментов с координатами.

На той же неделе Microsoft выпустила версию dotnet-1.23.0 своего Agent Framework.

Частые релизы показывают, что вендоры сделали оркестрацию агентов стандартной библиотекой для C# / .NET и Python.

Команда может собрать агента за день, но научить его правильно читать документы компании за такой срок у неё не получится.

Возьмём типичный сценарий: агент получает счёт или спецификацию поставщика и заносит позиции в 1С.

Ошибки возникают уже на входе: - в таблице с объединёнными ячейками парсер перепутал порядок строк, и цена одной позиции досталась соседней; - в скане печать перекрыла цифру, и OCR прочитал «8» как «3»; - в выгрузке из Excel единица измерения указана в заголовке колонки, поэтому «12» без контекста может означать и штуки, и коробки.

Ошибку модели в рассуждении обычно видно сразу.

Плохо извлечённый документ даёт правдоподобный ответ с неверной цифрой, и агент уверенно проводит его в учётную систему.

Дальше появляется неправильная цена на витрине, пересорт на складе и ручная сверка задним числом.

После пары таких случаев финансовый директор закрывает пилот, и упрекнуть его за это сложно.

### Разбор структуры Сначала система восстанавливает макет страницы: порядок чтения, колонки, таблицы, подписи.

Для сканов к этому добавляется OCR.

Задача шага: таблица из 40 строк на выходе должна остаться таблицей из 40 строк с теми же связями между ячейками. ### Нормализация

Затем система приводит значения к справочникам компании: артикулы к номенклатуре, единицы измерения к базовым, даты к одному формату.

Для этого нужны мастер-данные, поэтому результат шага зависит от качества PIM и НСИ. ### Привязка к

Microsoft через пять лет после старта эпохи LLM возвращается к разбору PDF, и это честный сигнал рынку.

Вендоры быстро делают модели и фреймворки агентов стандартными компонентами.

Преимущество получит компания, чей агент читает счёт так же точно, как опытный бухгалтер, и показывает, где именно в документе нашёл цифру.

Если бюджет AI-проекта ушёл на выбор модели и на разбор документов денег не осталось, пилот закончится неверными цифрами в учётной системе.