Tiêu chuẩn mới cho việc phân tích tài liệu nhất quán trong các tác nhân AI

Vào ngày 28 tháng 10 năm 2026, đội ngũ đứng sau ParseBench đã công bố bản dự thảo làm việc 0.1 của Giao thức Phân tích Tài liệu (DPP). Đặc tả kỹ thuật mới này nhằm giải quyết vấn đề thiếu nhất quán trong cách các tác nhân AI diễn giải tài liệu đã được phân tích bằng cách cung cấp một bộ quy tắc tiêu chuẩn hóa để chuyển đổi các trang thành văn bản có cấu trúc.

Điều gì đã xảy ra

Việc phân tích tài liệu từ lâu đã là nguồn cơn gây khó khăn cho các nhà phát triển xây dựng tác nhân AI. Khi một trình phân tích chuyển đổi PDF hoặc hình ảnh thành văn bản, nó phải đưa ra vô số phán đoán về bố cục và cấu trúc. Các trình phân tích khác nhau thường đưa ra những lựa chọn khác nhau, dẫn đến đầu ra chứa tất cả các từ đúng nhưng lại truyền tải ý nghĩa khác nhau. Vì các tác nhân AI hoàn toàn phụ thuộc vào dữ liệu đầu vào đã được phân tích này, bất kỳ lỗi cấu trúc nào ở giai đoạn phân tích sẽ lan truyền trực tiếp vào quá trình suy luận và câu trả lời cuối cùng của tác nhân.

Để giải quyết vấn đề này, các tác giả đã giới thiệu DPP như một định nghĩa chung về diện mạo của một trang được phân tích chính xác. Giao thức này bắt nguồn từ các hướng dẫn nội bộ được sử dụng bởi những người chú thích dữ liệu cho ParseBench, một bộ tiêu chuẩn đánh giá khả năng phân tích tài liệu. Bản dự thảo 0.1 bao gồm 140 quy tắc cụ thể liên quan đến văn bản, bảng biểu, biểu mẫu, biểu đồ và sơ đồ. Mỗi quy tắc đều đi kèm với các ví dụ về trang và kết quả đầu ra mong muốn, cung cấp một tài liệu tham khảo rõ ràng cho các nhà phát triển và người đánh giá.

Phiên bản phát hành mời gọi cộng đồng thử nghiệm giao thức và đóng góp phản hồi. Các tác giả đã công khai bản dự thảo trực tuyến cùng với các công cụ để kiểm tra nó trên các mô hình ngôn ngữ lớn như Claude và ChatGPT. Họ khuyến khích người dùng mở các issue hoặc pull request trên GitHub nếu họ gặp phải các tài liệu mà tại đó các quy tắc bị lỗi hoặc xung đột, nhằm tinh chỉnh tiêu chuẩn thông qua sự hợp tác mở.

Cách hoạt động

Cơ chế cốt lõi của DPP là thay thế các chuyển đổi markdown mơ hồ bằng các biểu diễn cấu trúc chính xác khi cần thiết. Ví dụ, bảng markdown tiêu chuẩn không thể biểu diễn các tiêu đề trải dài qua nhiều cột. Trong một báo cáo bán hàng nơi các năm trải dài qua nhiều quý, một trình chuyển đổi markdown có thể làm phẳng các tiêu đề hoặc loại bỏ chúng hoàn toàn, khiến tác nhân AI gán sai dữ liệu. DPP bắt buộc sử dụng bảng HTML với các thuộc tính colspan để bảo toàn hệ thống phân cấp trực quan chính xác của tài liệu gốc. Điều này đảm bảo rằng một giá trị như "4.1%" vẫn được liên kết rõ ràng với "Q2" dưới tiêu đề "2024".

Ngoài bảng biểu, giao thức còn định nghĩa cách xử lý nghiêm ngặt cho các yếu tố phức tạp khác. Các trường biểu mẫu trống được đánh dấu là [blank] để phân biệt chúng với các trường bị bỏ sót, và các hộp kiểm được biểu diễn là [x] hoặc [ ]. Biểu đồ được chuyển đổi thành các bảng dữ liệu với các giá trị in chính xác, trong khi sơ đồ được dịch sang mã Mermaid khi có thể, hoặc được mô tả bằng văn bản với tất cả các nhãn được giữ nguyên. Giao thức cũng quy định rằng văn bản ẩn trong PDF nên bị loại trừ, trong khi văn bản hiển thị không đọc được sẽ được đánh dấu là [illegible]. Dữ liệu vị trí tùy chọn cho phép ánh xạ mọi phần tử trở lại vị trí của nó trên trang nguồn.

Chi tiết chính

• DPP 0.1 chứa 140 quy tắc bao phủ văn bản, bảng biểu, biểu mẫu, biểu đồ và sơ đồ.
• Giao thức yêu cầu sử dụng bảng HTML cho các tiêu đề phức tạp để bảo toàn việc trải rộng cột.
• Các trường biểu mẫu trống được đánh dấu rõ ràng là [blank] để ngăn ngừa sự mơ hồ về mất mát dữ liệu.
• Biểu đồ được chuyển đổi thành các bảng có cấu trúc với các giá trị số chính xác từ nguồn.
• Sơ đồ được xuất dưới dạng mã Mermaid hoặc văn bản mô tả với tất cả các nhãn được giữ lại.
• Bản dự thảo mở cho phản hồi của cộng đồng thông qua các issue và pull request trên GitHub.

Tại sao điều này quan trọng

Đối với các kỹ sư xây dựng hệ thống tạo sinh tăng cường truy xuất (RAG) hoặc các công cụ phân tích tài liệu, tính nhất quán là yếu tố then chốt. Nếu không có một tiêu chuẩn, hai nhóm có thể chấm điểm cùng một đầu ra của trình phân tích theo những cách khác nhau, khiến việc so sánh hiệu suất hoặc gỡ lỗi trở nên khó khăn. DPP cung cấp một ngôn ngữ chung để đánh giá chất lượng của trình phân tích. Bằng cách định nghĩa chính xác cách các phần tử cấu trúc nên được biểu diễn, nó giảm bớt gánh nặng nhận thức cho các tác nhân AI, cho phép chúng tập trung vào suy luận thay vì giải mã các định dạng mơ hồ.

Sự tiêu chuẩn hóa này cũng tác động đến cách các bộ tiêu chuẩn đánh giá được xây dựng. Trước đây, những người tạo benchmark phải đưa ra các quyết định riêng tư về những gì cấu thành một lần phân tích "đúng". DPP làm cho các quyết định này trở nên minh bạch và chịu sự giám sát. Sự minh bạch này giúp toàn bộ hệ sinh thái tiến tới các quy trình xử lý tài liệu đáng tin cậy hơn. Khi các tác nhân AI đảm nhận những nhiệm vụ phức tạp hơn liên quan đến báo cáo tài chính, hợp đồng pháp lý và sổ tay kỹ thuật, độ trung thực của bước phân tích ban đầu trở thành yếu tố quyết định chính đối với độ chính xác của hệ thống.

Bạn có thể làm gì

• Truy cập parseprotocol.com để xem các trang nguồn cùng với đầu ra DPP mong muốn của chúng.
• Thử nghiệm giao thức bằng cách tải lên hình ảnh trang vào Claude hoặc ChatGPT sử dụng các kỹ năng được cung cấp.
• Xác minh rằng các giá trị cụ thể, chẳng hạn như số trong ngoặc đơn, được bảo toàn chính xác trong đầu ra.
• Xem xét các ví dụ hướng dẫn để hiểu lý do đằng sau các quyết định phân tích cụ thể.
• Xác định các trường hợp biên trong bộ tài liệu của riêng bạn có thể chưa được bao phủ bởi 140 quy tắc hiện tại.
• Đóng góp cho tiêu chuẩn bằng cách mở các issue trên GitHub với các ví dụ về xung đột hoặc thất bại của quy tắc.