DocClaw：用于智能文档处理的统一代理系统

智能文档处理 (IDP) 涵盖广泛的任务，包括光学字符识别 (OCR)、文档问答 (DocQA) 和关键信息提取 (KIE)。尽管目标不同，但这些任务都有一个共同的需求：感知文档内容、获取任务相关信息并逐步完善中间结果。然而，它们通常被表述为单独的预测问题，并通过特定于任务的模型或处理管道来解决。我们引入了 DocClaw，这是一个统一的代理系统，它将各种智能文档处理任务制定为代理和文档之间的共享交互过程。给定文档和特定于任务的查询，DocClaw 遵循适当的文档技能来迭代地识别所需的信息，调用相关工具，并将所得观察结果集成到所需的输出中。在整个过程中，结构化文档状态组织可重用的文档知识和特定于任务的交互上下文，允许代理随着交互的进行积累、重新访问和逐步完善信息。在这种表述下，特定于任务的需求通过代理对查询目标和相应文档技能的解释来捕获，而底层交互循环、工具空间和文档状态在任务之间共享。跨多个智能文档处理基准的大量实验表明，DocClaw 可以在单个代理框架内有效处理不同的任务，并且与通用 VLM 和特定于任务的方法相比，实现了具有竞争力的性能。