Launch HN: Parsewise (YC P25) – 通过API跨文档推理

大家好，我们是 Parsewise 的创始人 Greg 和 Max<p>Parsewise 将一堆非结构化数据转换为符合模式的数据，并保留跨文档解析出的值的来源信息。 想象一下，给 Claude 一堆文件，要求输出 CSV 或 JSON。如果你尝试过，就会知道系统限制（文件数量、输入类型、成本、延迟），也面临着无法快速验证结果的人为挑战。我们解决了这两个问题。 我们帮助技术团队简化非结构化数据的 ETL，并让业务专家参与定义和即时验证。<p>这里是包含几个用例的视频：<a href="https://www.youtube.com/watch?v=dbRllnnh47w" rel="nofollow">https://www.youtube.com/watch?v=dbRllnnh47w</a><p>用一位用户的话来说 Parsewise： “我需要从保险单 PDF、转录的电话、电子邮件等中提取信息。我不是在寻找那种逐数据点、逐页提取到结构化定义好的模式中的工具，而是需要更智能的、能理解信息可能分布在多个文档中，并能推理出需要提取什么内容的东西。”<p>我们创立公司的背景是十年在复杂数据转换和数据分析/综合方面的经验（和痛苦）。Greg 在 Palantir 构建过传统 ETL 并实施了 AI 工作流程。在贝恩，Max 在金融领域做过高度复杂的数据分析，这与我们许多客户类似。<p>Parsewise 的工作方式是接收一堆数据（比如几百或几千份 PDF、Excel 等），输出符合模式的数据，其中每个值都可追溯到桶内多个文档中的单词级别引用。我们为 API 客户提供在其应用程序中显示来源的方式，或者他们可以使用我们的平台进行内部操作。 数据处理的核心是自我改进的代理定义。它们定义了可接受的来源、解析或合并值的逻辑，以及向最终用户突出显示不确定性的规则。<p>底层技术是模型和云无关的，可以部署在私有网络中。我们在视觉推理方面使用 Gemini 模型取得了最佳结果，在我们找到的最强接地推理基准（Databricks OfficeQA）上达到了 SOTA（击败了 Claude Fable）[将包含我们博客文章的链接]。 值得注意的是，我们更专注于“人工控制”而非模型控制，注重我们在采用过程中看到的实际摩擦，即可验证性。这意味着优化信任结果所需的时间和点击次数。 我们使用 vLLM 进行解析，然后使用小模型进行高效的大规模穷举搜索。与 RAG 不同，我们不进行采样；而是穷举地找到给定查询的所有相关值。我们使用更大的模型进行有关解析的决策，并向用户标记不一致之处。<p>这种穷举性和显式值来源是我们平台的独特之处，它超越了现有许多提供商所涵盖的数据解析的第一步。<p>我们热烈欢迎构建者和爱好者尝试 Parsewise 来解决你们复杂的文档挑战。我们有很多关于如何扩展产品和改进的想法，也希望得到社区的反饋和想法！