LiteParse 完全指南：为 AI Agent 打造的开源文档解析引擎，11K+ Star 的 RAG 利器

AI Agent 的输入远不止代码仓库——很多时候你需要让 Agent 理解 PDF 报告、扫描的合同、金融表格，甚至包含图表和手写内容的文档。把这些文档干净地喂给 LLM 是关键的第一步。

LiteParse 是由 LlamaIndex 团队（LlamaParse 的原班人马）推出的开源文档解析工具，专注于轻量和快速的本地文档解析。它基于 Rust 构建，提供 PDF（以及 20+ 种格式的文档）的空间化文本解析，无需云依赖、无需 API Key、一切在本地运行。

项目在 GitHub 上获得了超过 11,600 颗星，使用 Apache-2.0 许可，支持 Linux、macOS（Intel/ARM）和 Windows 三大平台。

架构：从 PDF 到结构化输出的四段管道

LiteParse 的核心是一个 Rust 工作空间，处理流程分为四个阶段：

1. 格式转换：LibreOffice 或 ImageMagick 将非 PDF 文档（.docx、.xlsx、.pptx、.jpg 等）转换为 PDF
2. 文本提取：PDFium C 库负责 PDF 渲染和文本定位
3. 选择性 OCR：内置 Tesseract 引擎，可选外挂 EasyOCR/PaddleOCR HTTP 服务
4. 网格投影：空间布局重建，生成带边界框的结构化输出

输出端支持三种格式：结构化 JSON（含文本和边界框）、布局保留的纯文本、以及带标题/表格/列表的 Markdown。语言绑定覆盖 Rust、Node.js/TypeScript、Python 和浏览器 WASM。

安装：四条通道随便选

LiteParse 暴露统一的 lit CLI，无论哪种安装方式命令都相同：

npm i -g @llamaindex/liteparse

pip install liteparse

cargo install liteparse

npm i @llamaindex/liteparse-wasm

Agent Skill 集成

如果你用 Claude Code 或 Codex，可以直接把 LiteParse 作为技能添加：

npx skills add run-llama/llamaparse-agent-skills --skill liteparse

这样 Agent 在处理文档时就能自动调用 LiteParse，无需手动切换命令行。

功能详解

1. 文档解析（核心功能）

lit parse 是主力命令，支持 20+ 种格式的输入：

lit parse report.pdf

lit parse contract.pdf --format markdown -o output.md

lit parse book.pdf --target-pages "1-5,10,15-20"

curl -sL https://example.com/report.pdf | lit parse - --format markdown

Markdown 输出的亮点：LiteParse 能从空间布局中重建标题层级、表格、列表、图片和链接。这对于 RAG 管线来说比纯文本好用得多——LLM 能理解文档的层次结构和上下文关系。

图片处理有三种模式：

模式	行为
placeholder（默认）	按阅读顺序输出 标记
off	完全去除图片
embed	将图片 PNG 写入 --image-output-dir 并引用

lit parse doc.pdf --format markdown --image-mode off

lit parse doc.pdf --format markdown --image-mode embed --image-output-dir ./images

2. 智能复杂度检测

这是 LiteParse 非常实用的特色功能：在真正解析之前，先用轻量级的文本层检查判断文档是否需要 OCR。

lit is-complex document.pdf

lit is-complex document.pdf --quiet && lit parse document.pdf --no-ocr

is-complex 对每一页输出 JSON，包含 needs_ocr 判定和 reasons 数组（可能的值：scanned、no-text、sparse-text、embedded-images、garbled、vector-text）。这在搭建多级文档处理管线时非常有用——复杂文档路由到 LlamaParse 云端，简单文档走 LiteParse 本地处理。

3. 截图生成

对于 LLM Agent 来说，光有文本不够——表格结构、图表、UI 界面的视觉信息需要截图来补充：

lit screenshot doc.pdf -o ./screenshots

lit screenshot doc.pdf --target-pages "1,3,5" --dpi 200 -o ./images

4. 批量处理

处理整个目录的文档：

lit batch-parse ./invoices/ ./parsed/ --format json

配合 --recursive 递归处理子目录、--extension 过滤特定类型。

5. 灵活的 OCR 系统

LiteParse 内置 Tesseract（随包分发，零配置），但也支持外挂 HTTP OCR 服务：

lit parse doc.pdf

lit parse doc.pdf --ocr-language jpn

lit parse doc.pdf --ocr-server-url http://localhost:8000/ocr

lit parse doc.pdf --tessdata-path /path/to/tessdata

OCR 服务器的 API 规范非常简洁——只需实现 POST /ocr 端点，接受 file 和 language 参数，返回 { results: [{ text, bbox, confidence }] } 格式的 JSON。这意味着你可以接入任意自建或商业 OCR 引擎。

与其他文档解析工具的对比

LiteParse 的独特差异化在于：一次 CLI 命令同时搞定文本解析、OCR、Markdown 转换和截图生成，而且全部本地运行。不需要在多个工具之间切换，不需要调 API Key。

使用场景

场景一：AI Agent 读取 PDF 报告后回答问题

lit parse q4-report.pdf --format markdown -o report.md

场景二：批量发票解析

lit batch-parse ./invoices/ ./parsed-invoices/ --format json --no-ocr

适用于扫描件较少的电子发票处理管线。

场景三：大型文档的 OCR 路由

lit is-complex dense-report.pdf
if [ $? -ne 0 ]; then
  lit parse dense-report.pdf --format markdown -o simple.md
else
  # 复杂文档走云端 LlamaParse
  llamaparse dense-report.pdf
fi

注意事项

• 复杂文档的限制：LiteParse 的 Markdown 重建基于规则和启发式方法，对于密集表格、多列布局和手写扫描件的效果不如 LlamaParse 云端方案。衡量标准是速度 vs 精度——LiteParse 牺牲了一些精度换取了毫秒级的本地解析速度。
• OCR 依赖：默认 Tesseract 对印刷体英文和常见语言效果不错，但对中文手写体、艺术字体的识别精度有限。如需高精度中文 OCR，建议配置 PaddleOCR 服务。
• LibreOffice 转换：处理 .docx/.xlsx 等 Office 格式时需要安装 LibreOffice（可以 brew install libreoffice 或 apt-get install libreoffice）。

总结

LiteParse 是目前开源社区中最完整的本地文档解析工具之一。它的核心价值在于：用一条命令完成从原始文档到 LLM 可用结构化输出的全流程，且在大多数常见文档上毫秒级返回结果。如果你正在搭建 RAG 管线、构建 AI Agent 文档处理能力，或者只是需要一种简单可靠的方式把各种格式的文档喂给 LLM，LiteParse 是非常值得放入工具箱的选择。

相关链接：

• GitHub 仓库
• 官方文档
• LlamaParse（云端版）