文档：智能体时代最被低估的金矿

企业每天涌入数百万份文档——合同、发票、理赔单、物流单据。过去这些数据躺在对象存储里，是数据平台最不体面的角落。如今 Databricks 推出 Document Intelligence，把文档处理直接嵌进实时应用与智能体链路 [^1]。这不是一次普通的发布：当所有公司都在卷模型、卷算力时，这家数据平台巨头选择先解决「喂给 AI 什么」的问题。我的判断很直接——智能体落地的下一个瓶颈，不在模型智力，而在企业的纸面数据。

[^1]: Databricks 官方产品发布：Document Intelligence for Real-Time Applications and Agents，见 Databricks 官网 Engineering Blog 与产品页（2025）。

📄 客户最头疼的，既不是模型也不是算力

一个场景：某大型企业客户，每天要处理数百万份文档。保险理赔件、供应商发票、客户合同、报关单。这些文档格式五花八门——扫描件、PDF、表格截图、手写批注。过去的标准动作是：先归档，再排队跑离线 OCR，第二天甚至下周才有结果。

问题在于，业务变了。理赔要用分钟级时效，智能客服要当场读懂合同条款，风控要实时核验单据。批处理时代的文档管道，根本接不住实时应用的需求。

Databricks 在这次发布中给出的核心信息很明确：企业客户每天接收数百万份文档，而这些文档要能直接驱动实时应用和智能体 [^1]。Document Intelligence 的定位不是又一个 OCR 工具，而是把「文档进湖仓」这条路从离线搬到在线。

据多位接近企业客户的平台架构师反馈，过去两年数据团队的需求清单上，文档智能化的优先级一路飙升——不是因为技术炫，而是因为业务方催得紧。

这里的产业逻辑值得展开：

文档不再是「存起来等分析」的冷数据，而是「进来即加工」的活数据。这条链路能不能走通，决定了企业 AI 项目是停留在演示层面，还是真正进入生产系统。

⚡ 实时，才是文档处理的分水岭

干过数仓的人都知道一个真理：批处理和实时，从来不是延迟数字的差别，而是架构哲学的差别。

传统文档处理的姿势是 T+1：晚上跑批、白天看结果。这在报表时代够用，在智能体时代是灾难。一个客服 Agent 需要在对话进行中读取用户上传的保单并抽取关键字段；一个合同审查 Agent 需要在文档落库的瞬间触发条款比对。这要求文档处理能力以服务的形式存在——可调用、可流式、可低延迟返回结构化结果。

Document Intelligence 强调的正是「power real-time applications」这个前缀。把文档解析做成平台原生能力，而不是外部 ETL 工具的附属品，意味着三件事：一是解析结果直接落入统一的数据治理体系，血缘和权限不脱节；二是和湖仓里的结构化数据可以在同一层做关联计算；三是 Agent 框架可以像调用普通工具一样调用文档理解能力。

“平台圈私下流传一句话：文档是企业的第二张数据底座，只是长期没人愿意管。

这句话有点夸张，但方向是对的。企业的结构化数据只占冰山一角——IDC 的研究长期指出，企业数据中 80% 以上为文档、图像、音视频等非结构化形态 [^2]——水面之下是成堆的非结构化文档。谁能把这批数据廉价、可靠、实时地变成可计算资产，谁就拿走了 AI 落地链条上最重的一块砖。

[^2]: IDC《Data Age 2025》白皮书及后续系列研究：非结构化数据占企业数据总量的 80%–90%。

从工程视角看，实时文档管道的难点不在单页解析精度，而在吞吐稳定性、异常重试、成本控制和 schema 一致性。这正是数据平台厂商的优势区——这些脏活累活，恰恰是 Databricks 过去十年打磨 lakehouse 攒下的肌肉记忆。

🤖 智能体不缺智力，缺「纸面数据」的入口

现在换个角度：站在 Agent 开发者这边看。

2024 年以来，各家 Agent 框架层出不穷，工具调用、多步规划、记忆管理这些能力迅速 commodity 化。真正卡住企业级 Agent 上生产的，往往是数据侧：模型再聪明，读不懂一张税率表里的合并单元格，看不清一份手写签批的批注，整个流程照样断链。

文档智能在 Agent 架构里的角色，本质是「工具层」：

这张象限图是我的行业判断，不是精确测量，但格局轮廓是清楚的：

• 开源 OCR + LLM 自拼：门槛低，Demo 好看，但吞吐、精度、成本、治理四座大山全要自己扛，企业级生产少有善终。
• 传统 IDP（智能文档处理）厂商：垂直场景深耕多年，但往往孤立于企业数据平台之外，抽取完的数据还要二次搬运。
• 云厂商托管服务：能力强、接入方便，但数据和文档处理链路分离在不同体系中，治理割裂。
• 数据平台原生方案：技术门槛和商业价值双高，因为它吃的是「文档即数据资产」的完整链路红利。

Databricks 这步棋的意图非常清晰：既然 Agent 最终要在数据平台上构建，那文档理解的入口就必须握在自己手里。Model、Compute、Data 三层之外，补上 Document 这一块，平台的「纸面数据入口」才算闭环。

流向图说明一个关键分流：文档解析后一部分直接变成 Agent 的检索上下文，一部分沉淀为结构化资产长期复用。两条路都跑在平台内，才不会被外部工具截胡。

🧊 看得见的能力，看不见的根基

对外讲产品，讲的是解析精度和 API 响应速度；真正决定成败的，是水面之下的东西。

做平台的人对这张图应该深有共鸣。我见过的文档智能化项目，八成死在水下（这是我在多家企业项目复盘中的经验估算，非统计数据 [^3]）：解析单页精度不错，一上量就丢件、超时；抽取的字段没有 schema 约束，下游不敢用；权限体系接不进现有的治理框架，合规部门一票否决。

[^3]: 「八成死在水下」为作者基于十余个企业级文档智能化项目复盘的个人观察，样本有限，仅供参考。

这也是为什么我不认为这次发布是「加了个 OCR 功能」那么简单。把文档理解放进平台原生的能力版图，等于把上面冰山的水下部分——治理、管道、成本——一次性接通。对已经把数据放在 lakehouse 上的客户来说，迁移成本近乎为零，这是最狠的护城河。

对比一下几条技术路线的工程取舍：

[^4]: 多模态大模型按页调用的成本通常比传统 OCR 或规则引擎高一到两个数量级，参见各大模型厂商公开 API 定价与行业测算（如 LlamaIndex、Unstructured 等团队公布的解析成本基准测试）。

没有全能选手，但企业级生产场景下，「平台原生」的加权项最多。不过，客观地说，平台原生方案并非没有代价：

• 供应商锁定（Vendor Lock-in）：文档解析、schema、血缘全部绑定单一平台后，迁移成本极高。数据资产名义上开放，实际操作链路已被平台接管——一旦平台涨价或战略转向，客户议价空间极小。
• 成熟度风险：相比深耕十余年的传统 IDP 厂商，平台原生文档智能是新产品线，在极端复杂版面、小语种、行业专有格式上的表现仍有待生产环境检验，早期采用者可能在为产品的成长期买单。
• 覆盖广度劣势：垂直 IDP 厂商在保险、医疗等细分领域沉淀了大量行业模板和领域规则，通用平台方案在窄而深的场景里未必打得过窄而深的专家。
• 单一生态依赖：选了平台原生路线，等于把 Agent 的数据入口也押在同一个生态上；多活、多云架构下的企业需要额外评估跨平台兼容成本。

因此更准确的结论是：对已重仓单一 lakehouse 平台的企业，「平台原生」是阻力最小的路径；对多云、多供应商策略的企业，独立 IDP 或混合方案反而可能更稳妥。

💡 落地的工程真相：从单页精度到系统可靠性

最后聊点扎心的。文档智能的采购决策，往往被「解析准确率 99%」这类指标绑架，但真正决定项目生死的三个工程问题是：

第一，复杂文档的长尾。 平均精度再高，长尾那 1% 的变形表格、跨页合同、印章遮挡，往往就是业务事故的来源。系统设计必须包含低置信度人工复核通道，这比追求最后 0.5% 的自动化率更务实。

第二，结构化契约。 抽取结果必须绑定明确的 schema 并随版本演进管理，否则下游报表和 Agent 每次字段变更都要返工。数据平台厂商在这方面有天然纪律性——这是纯 AI 公司普遍缺的基因。

第三，成本分层。 不是所有文档都值得用最重的模型过一遍。简单票据走轻量规则和轻模型，复杂法律文本再上重模型，成本可以差一个数量级 [^4]。实时管道尤其要算这笔账，否则日增百万文档的账单会先于业务价值到达。

一位在企业级 AI 项目里摸爬多年的朋友跟我说过一句话，我很认同：智能体项目的成败，七分在数据工程，三分在模型。文档智能恰好踩在七分那一侧。

小结

Databricks 用 Document Intelligence 补上了平台版图里最不性感但最必要的一块：让数百万份文档从存储成本变成数据资产，从离线批处理变成实时服务。这步棋的本质，是把智能体的「数据入口」收编进平台——模型会过时，框架会更替，但企业纸面数据的入口一旦被绑定，很难迁走。

往前看，有三条线索值得持续跟踪：

1. 非结构化数据的平台化收敛会加速。文档只是第一站，图像、音视频、工程图纸的处理能力会逐步以同样的「原生服务」形态进入湖仓，独立工具厂商的窗口正在关闭。

2. 竞争格局将快速动态化。Snowflake、各大云厂商、以及 Databricks 自己生态内的 ISV 都不会坐视这个入口被独占，未来 12–18 个月内大概率出现对标发布。

3. 锁定效应与开放标准之间的拉锯。当文档入口成为平台护城河，客户对可迁移性、开放 schema 的诉求也会同步上升——这可能是下一个「开放表格式之争」的翻版。

智能体时代的基础设施竞赛，赢家未必是模型最聪明的那个，而是把最脏的数据活干得最稳的那个。