MADP：面向可持续文档处理的多智能体管线架构及人类在环验证

文档处理自动化仍是企业环境中的关键挑战，传统手动方法代劳劳且易出错。我们提出 MADP，一种多智能体架构，通过结合深度学习分类与解析与大语言模型提取，同时通过选择性人类验证保持准确性，以解决企业环境中文档处理自动化的挑战。该系统集成五个专业智能体——分类器、分割器、解析器、提取器和验证器——并引入人类在环 (Human-in-the-Loop, HITL) 机制及 novel Prompt Fine Tuning with Feedback Inheritance (PFTFI) 方法。对年处理 10 万张发票的生产用例进行分析表明，可能将全职equivalent (FTE) 需求降低约 70%。在 2026 年 1 月之前，对 955 份真实文档的生产部署实现了 97.0% 的全流程自动化率，仅有 3% 需非 AI 后备。对 100 份分层抽样文档（每类 20 种供应商/文档类型各 5 份）的消融实验表明，配备人类在环监督的完整 MADP 配置可实现 98.5% 的文档级准确率。此外，我们提供综合的可持续性分析，表明该混合 AI+HITL 方法相较于传统手动处理，使 CO2 排放、能源消耗和水资源使用分别降低 69%、69% 和 63%。对多种 LLM 后端 (Granite-Docling、Mistral-Small、DeepSeek-OCR) 的基准比较为生产环境部署提供了实用见解。