LlamaIndex 发布博客指出，PDF 解析器即使提取出全部文字，若丢失表格与章节归属关系，模型仍需自行猜测才能回答问题。因此输出格式很关键，需保留标题层级、阅读顺序、表格结构和元素上下文。Markdown 能表示标题、列表、简单表格和链接，且格式开销小、便于人工检查解析错误。复杂表格（如跨行跨列的财务数据）可用 HTML 表格保留合并单元格。LlamaParse 目前即以此方式输出。
推荐理由做 RAG 文档解析的人可参考：复杂表格用 HTML、简单结构用 Markdown 的具体取舍
LlamaIndex 发布 2026 年 OCR 文档管理软件对比，涵盖 LlamaParse、ABBYY FineReader、Amazon Textract、Google Cloud Vision、Microsoft Azure OCR 和 Hyperscience 六款产品。文章指出该品类已从传统 OCR 转向智能文档处理，布局感知、语义结构和工作流自动化与识别准确率同等重要；解析质量差的 PDF 会削弱 RAG 检索质量和答案准确度。LlamaParse 主打布局感知提取、多模态解析和动态模型路由，输出结构…
推荐理由做 RAG 文档解析选型时，可对照这 6 款工具的定位差异，避免表格和阅读顺序解析拖垮检索质量
LlamaIndex 发文介绍其在 LlamaParse 中实践的 Agentic OCR 思路。核心观点是：把文档解析当作单步转换的传统 OCR 和单次推理的 VLM，在表格、图表等长尾文档上会失败，且失败方式隐蔽（列错位、丢行、缺页眉页脚）。Agentic OCR 指系统能自行决定如何读取文档、调用工具或专用模型，并根据结果迭代调整，例如选定区域细看、请求方向校正、把表格交给专用模型、拒绝无效修正。文章提出三个要求：阅读策略随文档自适应、修正必须有证据支撑、执行要有明确边界和目标。原文信息有限，未给出具体评测数…
推荐理由做 RAG 和文档解析的人可以对照检查自己的 pipeline：单步 OCR 在表格上会静默出错，需要可验证的迭代流程。
LlamaIndex 发文指出，VLM 不适合处理表单类文档：表单包含文本框、复选框和标签等结构，Markdown 无法表达，而 VLM 面向通用推理优化，推理能力提升并不能带来更好的解析结果。表单对准确性要求极高，复选框勾选与否会直接改变下游 Agent 的动作。LlamaIndex 用 JSON 树结构表示表单，字段含 id、label、field（checkbox/text/signature）和 value，并称 LlamaParse 以更低成本超过通用 VLM。
推荐理由做票据、表单类文档抽取的团队可参考其 JSON schema 设计，避免用 VLM 硬解表单