我们构建了一个用于尽职调查的AI代理，具备精确到源页面的审计追踪功能，你可以将其作为模板使用，而无需为PDF解析支付一分钱。秘诀在于LiteParse——我们免费、开源、无模型的文档解析器。它能够从具有复杂布局和表格的金融文档中提取文本，并返回描述源文本中精确边界框的引用。作为一个免费的开源解析器，它功能极其强大，是智能代理工作流的关键组成部分！查看我们的完整博客文章：https://llamaindex.ai/blog/building-a-financial-due-diligence-agent-with-liteparse?utm_medium=socials&utm_source=twitter&utm_campaign=2026-may-…

如何使用LiteParse构建金融尽职调查代理

来源：https://www.llamaindex.ai/blog/building-a-financial-due-diligence-agent-with-liteparse?utm_medium=socials&utm_source=twitter&utm_campaign=2026-may-

金融尽职调查是金融领域文档最密集的工作流程之一。分析师将高达70%的时间花在手动数据提取上。这意味着时间耗费在了将PDF转录到电子表格、映射总账科目以及核对试算平衡表上。一笔交易可能涉及数百页的SEC文件，每个数字都需要有出处。我构建了一个演示应用来解决这个问题：一个AI代理，它能够吸收SEC文件，在文件间进行搜索，并通过精确的引用回答问题，这些引用会高亮显示原始PDF页面上的确切源文本。关键成分是LiteParse（https://www.npmjs.com/package/@llamaindex/liteparse），它可以从PDF中提取文本以及边界框坐标。利用这些数据，应用能够直观地高亮显示具体数字的来源，为代理的回答增加信任和透明度。在这篇文章中，我将介绍该项目的运行方式以及沿途做出的关键设计决策。

架构

该应用是一个Next.js项目，包含三层：

1. Next.js聊天界面和PDF引用查看器
2. 用于聊天（LLM + 工具调用）、文档摄取、SEC EDGAR集成和引用解析的API路由
3. 一个包含三个文件/职责的核心库：PDF解析（ingest.ts）、带搜索功能的文档存储（store.ts）以及代理工具定义（tools.ts）

整个代码库大约600行库代码。明确地说，我避免了使用向量数据库、嵌入管道或任何超出LLM API密钥的外部基础设施。这种简洁性使得该项目易于理解和扩展，同时展示了LiteParse的核心用法。

第一步：使用LiteParse解析PDF

使用LiteParse进行摄取非常简单。输入PDF文件路径（或文件缓冲区），它会返回结构化数据：所有文本以及每段文本的边界框坐标（x、y、width、height）、字体名称和字号。

import { LiteParse } from "@llamaindex/liteparse";

const parser = new LiteParse({
  outputFormat: "json",
  ocrEnabled: false
});

export async function ingestPdf(filePath: string, filename: string) {
  const result = await parser.parse(filePath, true);
  const pages = result.json?.pages.map((pg) => ({
    pageNum: pg.page,
    width: pg.width,
    height: pg.height,
    text: pg.text,
    textItems: pg.textItems.map((item) => ({
      text: item.text,
      x: item.x,
      y: item.y,
      width: item.width,
      height: item.height,
      fontName: item.fontName,
      fontSize: item.fontSize,
    })),
  })) ?? [];
  return { filename, pages };
}

来源（https://github.com/logan-markewich/liteparse-financial-agent/blob/main/lib/ingest.ts）

大多数PDF解析器会输出文本或markdown，而LiteParse则提供文本加上布局，每个单词及其在页面上的精确位置。这正是后续实现引用高亮的关键。一份典型的10-K文件（70-100+页）只需几秒即可解析完成。

第二步：一个简单的文档存储

解析后的文档以平面JSON文件存储。

export function addDocument(doc: Document): void {
  const docs = loadStore();
  const existing = docs.findIndex((d) => d.filename === doc.filename);
  if (existing >= 0) {
    docs[existing] = doc;
  } else {
    docs.push(doc);
  }
  fs.writeFileSync(STORE_PATH, JSON.stringify(docs, null, 2));
}

来源（https://github.com/logan-markewich/liteparse-financial-agent/blob/0b0cf8fdf6b2b62611dfc330651bae9938635a5b/lib/store.ts#L64）

对于搜索，我选择了关键字匹配而非向量相似性。搜索函数接收一个查询，将其拆分为词项，并按照每个页面包含的词项数量进行评分：

const terms = query.toLowerCase().split(/\\s+/);
for (const doc of docs) {
  for (const page of doc.pages) {
    const textLower = page.text.toLowerCase();
    const score = terms.filter((t) => textLower.includes(t)).length;
    if (score === 0) continue;
    // ... 构建片段，添加到结果中
  }
}

来源（https://github.com/logan-markewich/liteparse-financial-agent/blob/0b0cf8fdf6b2b62611dfc330651bae9938635a5b/lib/store.ts#L101）

还提供了一种正则表达式模式，用于代理需要更精确的模式匹配时（例如，\\\\$[\\\\d,]+\\\\s*million 来查找金额）。为什么不用向量搜索？通常，此应用中的文档工作集很小（1-100份文件）。正如我们稍后将看到的，暴露给代理的工具足以在不使用语义搜索的情况下找到相关信息。由于10-K等文件在LLM训练数据中非常普遍，我们可以利用已有知识来识别关键术语和结构。

第三步：为代理提供工具

代理通过Vercel AI SDK（https://sdk.vercel.ai/docs）获取三个工具。工具定义使用Zod模式，结果如下所示：

function list_document() => [...]
function search_documents(query: string, file_glob: string | null, max_results: number, use_regex: boolean) => [...]
function get_page(filename: string, page_num: number) => string

来源（https://github.com/logan-markewich/liteparse-financial-agent/blob/main/lib/tools.ts）

search_documents工具中的file_glob参数允许代理将搜索范围限定到特定文档（例如，*2024*），这在加载了多份文件并需要跨期间比较时非常有用。

第四步：聊天路由

聊天端点使用Vercel AI SDK的streamText并调用工具。系统提示告诉模型已加载了哪些文档以及如何使用引用：

const result = streamText({
  model: anthropic("claude-sonnet-4-20250514"),
  system: buildSystemPrompt(),
  messages: await convertToModelMessages(messages),
  tools,
  stopWhen: stepCountIs(30),
  experimental_transform: smoothStream({
    chunking: "word"
  }),
});

来源（https://github.com/logan-markewich/liteparse-financial-agent/blob/main/app/api/chat/route.ts）

系统提示对引用格式有明确要求。它要求模型将引用的数据包裹在带有精确文件名和页码的<citation>标签中：

<citation filename="aapl-20241025-10k.pdf" page="42">394,328</citation>

最重要的是，它坚持使用原文文本：“<citation>标签内的文本必须严格从文档中复制。” 应用依赖于此，因为引用系统需要在该页面上找到该确切字符串以计算高亮位置。如果LLM对数字进行转述或重新格式化，匹配将失败，最终得到未经验证的引用。在我的测试中，LLM通常能很好地遵循这些指令。当引用找不到时，通常是由于难以处理的奇怪格式差异。

第五步：引用系统

当UI在代理的响应中遇到<citation>标签时，它会执行以下操作：

1. 解析标签以提取文件名、页码和引用短语
2. 调用/api/cite，该接口使用findTextLocation()在页面上定位该短语
3. 通过将匹配的字符映射回原始文本项及其坐标来计算边界框
4. 使用LiteParse的screenshot()方法渲染PDF页面，并在精确位置绘制高亮覆盖层

匹配采用分层策略，因为LLM并不总是完全按原文输出，并且金融文档中存在一些边缘情况。匹配算法依次尝试以下策略：

1. LiteParse的searchItems——LiteParse内置的搜索算法。尝试处理自动换行和其他细微不一致。
2. 空格灵活的正则表达式——容忍LLM输出和PDF文本之间的格式差异。
3. 货币/符号剥离——处理LLM添加或删除$符号的情况。
4. 仅字母数字匹配——最后手段，忽略所有标点符号。
5. 最长标记匹配——如果所有方法都失败，找到最独特的数字或单词。

如果找到匹配，边界框会在重叠的文本项之间按比例计算。然后利用LiteParse的截图功能，我们可以渲染带有适当文本高亮的截图。

当引用无法验证时，UI会显示一个黄色的“未验证”徽章，而不是隐藏它。这样，用户至少可以看到代理打算从哪里提取信息，即使精确匹配失败。在大多数情况下，匹配确实在页面上，只是算法无法找到（例如，$52.00B 对比 52 billion）。

第六步：SEC EDGAR集成

为了使演示独立运行，我添加了直接的SEC EDGAR集成。流程如下：

1. 用户输入股票代码（例如，AAPL）
2. 应用通过SEC的公司代码文件将该股票代码解析为CIK编号
3. 从EDGAR提交API获取最近的文件
4. 用户选择要下载的文件
5. 下载文件文档，使用LiteParse解析，添加到存储中

EDGAR API似乎返回HTML和PDF文档的混合。虽然LiteParse无法解析HTML，但应用会使用Puppeteer将HTML转换为PDF。这意味着无论原始格式如何，相同的提取管道都能工作。

这个演示不是什么

这是一个演示，而非生产系统。但要在生产环境中部署，我只会替换以下几项：

• 将磁盘存储替换为S3或类似的blob存储，用于存储解析后的文档
• 将平面JSON文件存储替换为带有搜索索引的适当数据库
• 添加用户身份验证和访问控制

但这些都是在应用现有核心功能之上的工程细节。如果你复刻该仓库并添加了其中的一些内容，欢迎分享回来！

亲自尝试

完整源代码在GitHub上。你需要Node.js 18+和一个Anthropic API密钥。

git clone
cd liteparse-financial-agent
npm install
cp .env.example .env
# 在.env中添加你的ANTHROPIC_API_KEY
npm run dev

打开localhost:3000，在EDGAR标签页中搜索股票代码或上传文件，然后开始提问。

LlamaIndex 🦙 (@llama_index): 金融分析师约70%的时间花在从PDF中提取数字上。 我们构建了一个演示代理，它能够吸收SEC文件，并通过精确的引用回答问题，这些引用在原始PDF页面上高亮显示。

约600行Next.js代码。无需向量数据库。只需LiteParse。