IDP AutoOpt：文档处理流水线配置的智能体驱动优化

arXiv cs.AI 论文
llm-agent document-processing pipeline-optimization configuration-tuning enterprise-ai ocr

摘要

本文介绍了IDP AutoOpt，一个自主的LLM智能体，用于优化智能文档处理流水线配置，以更低的成本达到或超过人类专家的准确率，并将配置时间从数周缩短至两小时以内。

arXiv:2607.26075v1 Announce Type: cross 摘要：我们提出了IDP AutoOpt，一个自主的LLM智能体，用于发现智能文档处理（IDP）流水线的高性能配置。目前，联合调整IDP提示词、模型、OCR设置和模式，每个文档类型需要领域专家20到80多个工时，并且随着企业增加文档类别而难以扩展。IDP AutoOpt运行一个闭环：它在一个小型标注集上对配置进行评分，诊断字段级错误，生成有针对性的修改，并重新评估，整个过程由人工编写的领域技能指导，这些技能编码了生产环境中的专业知识。在医疗保健、营销智能和金融服务环境中部署的提取、分类和数据包拆分任务中，IDP AutoOpt以相同或更低的成本达到或超过了人类专家的准确率（在一个提取基准上，准确率为90.2%对比81.6%，每页成本降低4.6倍），将配置时间从数周缩短至两小时以内。我们进一步表明，智能体LLM的能力存在一个硬阈值，低于该阈值优化就会失败；并且经过精心整理的领域技能优于原始源代码访问，后者在没有结构提供时可能会降低性能。我们还分享了关于上下文管理和方差缓解的实践经验。该方法只需一个可配置的流水线、一个评分函数和一个小型标注集，其应用范围超出了IDP，可扩展到其他企业AI系统，如RAG和多智能体工作流，在这些系统中配置会阻碍部署。
查看原文
查看缓存全文

缓存时间: 2026/07/31 04:02 

# IDP AutoOpt：智能体驱动的文档处理流水线配置优化
来源：https://arxiv.org/abs/2607.26075
查看 PDF（https://arxiv.org/pdf/2607.26075）

> 摘要：我们提出了 IDP AutoOpt，一个自主的 LLM 智能体，能够为智能文档处理（IDP）流水线发现高性能配置。目前，联合调整 IDP 提示词、模型、OCR 设置和模式，每种文档类型需要领域专家 20 到 80+ 人小时，并且随着企业增加文档类别而难以扩展。IDP AutoOpt 运行一个闭环：它在一小组标注数据上对配置进行评分，诊断字段级错误，生成有针对性的修改，并重新评估，整个过程由人类编写的、编码了生产经验的领域技能所引导。在医疗保健、营销情报和金融服务环境中部署的提取、分类和分组拆分任务中，IDP AutoOpt 以相同或更低的成本达到或超过了人类专家的准确率（在一个提取基准上，准确率为 90.2% 对比 81.6%，每页成本降低 4.6 倍），将配置时间从数周缩短到两小时以内。我们进一步表明，智能体 LLM 的能力存在一个硬阈值，低于该阈值优化会失败；并且精心整理的领域技能优于原始的源代码访问，后者在没有结构的情况下提供时可能会降低性能。我们还分享了关于上下文管理和方差缓解的实践经验。该方法仅需要一个可配置的流水线、一个评分函数和一小组标注数据，因此可以扩展到 IDP 之外的其他企业 AI 系统，例如 RAG 和多智能体工作流，在这些系统中配置成为部署的瓶颈。

## 提交历史

来自：Md Mofijul Islam [查看电子邮件（https://arxiv.org/show-email/d2eb4b97/2607.26075）] **[v1]** 2026年7月13日星期一 20:14:14 UTC（7,337 KB）

相似文章

APPO: 智能体过程策略优化

Hugging Face Daily Papers

APPO通过使用细粒度决策点和过程级优势缩放来改进分支决策和信用分配，从而提升LLM智能体的多轮工具使用能力，在13个基准测试中比基线高出近4个百分点。