一、走进阿里云文档智能：产品定位与核心能力
在企业的日常运营中，海量的信息被锁定在PDF、Word、Excel、图片等非结构化文档中，难以流通和有效利用。阿里云文档智能（Document Mind）正是为了解决这一痛点而诞生的——它基于阿里巴巴达摩院多年技术积累打造的多模态文档识别与理解引擎，能够将非结构化文档高效解析为结构化数据。
文档智能的核心能力主要分为三大板块。第一是文档理解，涵盖文档解析（大模型版）、文档智能解析、表格智能解析等服务，能够识别文档中的层级结构、文本内容、键值对字段和样式信息。第二是文档格式转换，支持PDF转Word、PDF转Excel、图片转Excel、图片转Word等多种转换方向。第三是OCR文档自学习，这是一个面向无算法基础用户的一站式工具平台，支持通过模板配置或少量标注数据训练出满足特定业务场景的AI模型。
文档智能产品在2024年8月率先通过了中国信通院权威评测，在技术能力、产品能力和应用能力三项上均获得最高的5级评价。目前产品仍处于快速迭代阶段，部分能力在公测期间提供免费额度，是企业和开发者接入文档智能化处理的理想选择。
二、开通服务与控制台初探
使用文档智能服务的第一步是完成账号注册与实名认证。完成实名认证后，即可进入文档智能控制台。
需要先登录阿里云控制台，点击：阿里云控制台
文档智能控制台包含五大核心模块：产品概览、监控统计、服务管理列表、能力广场和轻应用。产品概览模块集中展示了服务管理与开通入口、操作指引、热门服务推荐以及新手指南和常见问题。监控统计模块按照能力大类分别提供调用量统计和QPS统计，支持按服务名称和时间维度进行筛选与查询，并支持图表信息的导出和下载。
服务管理列表展示了各类文档智能能力下的服务名称、状态、调用量限制和并发限制。未开通的服务可以在此直接点击开通，已开通的服务则支持跳转到对应的API文档、轻应用和调用量统计页面。能力广场展示了通用文档智能和文档自学习两大类能力下的各个服务模块，用户可按需点击体验或申请试用。
目前文档智能已上线的能力包括文档理解、文档格式转换和OCR文档自学习三大类。选定服务类型后勾选服务协议，即可一键完成开通。在免费公测期间，产品调用不收取任何费用。
三、轻应用：零代码体验文档智能
对于希望快速验证文档智能效果的用户，控制台中的轻应用模块提供了最便捷的体验路径。轻应用是一个可视化的使用界面，用户无需编写任何代码，只需上传文档样本即可查看处理结果。
在轻应用页面中，用户可以选择具体的能力项（如文档解析大模型版、表格智能解析等）上传样本文件进行测试。文档处理完成后，系统会展示结构化的处理结果，并支持结果的导出和下载到本地。这种"先体验后集成"的模式极大地降低了试错成本——开发者可以先通过轻应用确认文档处理效果是否符合预期，再通过API接口进行正式的系统对接。
除了Web端的轻应用，文档智能还提供了移动端小程序支持。用户可以通过钉钉APP或阿里云盘APP搜索"传图识字"小程序，实现文档内容识别与格式转换等轻量级智能服务。
四、API对接：核心调用模式与准备工作
文档智能的API采用V2版本RPC风格请求体与签名机制，确保数据传输的安全可靠。所有文档解析和信息抽取类接口都遵循统一的异步任务模式：先提交任务获取任务ID，再轮询查询结果。
在调用API之前，需要完成以下几项准备工作。首先是获取访问凭证，可以通过主账号或RAM用户的AccessKey进行身份认证。建议使用RAM子账号并授予最小权限，以降低密钥泄露的风险。如果担心AccessKey泄露，还可以通过创建RAM角色并使用STS临时授权账号来调用服务。其次是为RAM用户授予相应的权限策略，文档智能提供的系统策略为AliyunDocmindFullAccess。
对于使用信息抽取模板的场景，还需要提前获取模板ID和文件夹ID。模板ID可以在AI Doc控制台的模板管理页面中找到；文件夹ID则可以在文档解析页面选择文件夹后，从右侧面板中获取。
API的Endpoint地址根据服务类型和地域有所不同，以文档解析服务为例，北京地域的Endpoint为documentparseservice.cn-beijing.aliyuncs.com。开发者可以在阿里云OpenAPI门户中搜索"AI document processing"浏览可用的API操作，并在线进行调试。
五、Java SDK集成：从环境配置到完整示例
阿里云为文档智能提供了丰富的SDK支持，覆盖Java、Python等多种主流编程语言。本节以Java SDK为例，详细介绍从环境配置到完整调用的全过程。
首先，Java开发环境要求JDK 8及以上版本。在Maven项目的pom.xml中添加以下依赖：
<dependency> <groupId>com.aliyun</groupId> <artifactId>documentparseservice20260414</artifactId> <version>2.0.0</version> </dependency>
对于异步调用场景，可以使用异步SDK依赖：
<dependency> <groupId>com.aliyun</groupId> <artifactId>alibabacloud-documentparseservice20260414</artifactId> <version>2.0.0</version> </dependency>
接下来是客户端初始化。官方推荐使用更安全的无AK（AccessKey）凭证方式：
import com.aliyun.credentials.Client; import com.aliyun.teaopenapi.models.Config; import com.aliyun.documentparseservice20260414.Client; public static Client createClient() throws Exception { Client credential = new Client(); Config config = new Config() .setCredential(credential); config.endpoint = "documentparseservice.cn-beijing.aliyuncs.com"; return new Client(config); }
完成客户端初始化后，即可调用文档解析接口。以下是一个完整的同步调用示例：
import com.aliyun.documentparseservice20260414.models.DocumentParseOnlineApiRequest; import com.aliyun.documentparseservice20260414.models.DocumentParseOnlineApiResponse; import com.aliyun.teautil.models.RuntimeOptions; import com.google.gson.Gson; public static void main(String[] args) throws Exception { Client client = Sample.createClient(); DocumentParseOnlineApiRequest request = new DocumentParseOnlineApiRequest() .setType(1L) .setImageUrl("https://example.com/your-document.pdf"); try { DocumentParseOnlineApiResponse response = client.documentParseOnlineApiWithOptions(request, new RuntimeOptions()); System.out.println(new Gson().toJson(response)); } catch (TeaException error) { System.out.println(error.getMessage()); System.out.println(error.getData().get("Recommend")); } catch (Exception error) { TeaException e = new TeaException(error.getMessage(), error); System.out.println(e.getMessage()); System.out.println(e.getData().get("Recommend")); } }
对于异步调用场景，Java异步SDK提供了CompletableFuture支持：
import com.aliyun.sdk.service.documentparseservice20260414.AsyncClient; import com.aliyun.sdk.service.documentparseservice20260414.models.*; import java.util.concurrent.CompletableFuture; public class AsyncDemo { public static void main(String[] args) throws Exception { AsyncClient client = AsyncClient.builder() .overrideConfiguration( ClientOverrideConfiguration.create() .setEndpointOverride("documentparseservice.cn-beijing.aliyuncs.com") ) .build(); DocumentParseOnlineApiRequest request = DocumentParseOnlineApiRequest.builder() .type(1L) .imageUrl("https://example.com/your-document.pdf") .build(); CompletableFuture<DocumentParseOnlineApiResponse> future = client.documentParseOnlineApi(request); DocumentParseOnlineApiResponse response = future.get(); System.out.println(new Gson().toJson(response)); } }
六、Python SDK集成：简洁高效的调用方式
Python开发者可以通过AI搜索开放平台的Python SDK来调用文档解析服务。首先通过pip安装所需依赖：
pip install alibabacloud_tea_openapi alibabacloud_searchplat20240529
接下来初始化客户端。需要准备API Key和Endpoint地址：
from alibabacloud_tea_openapi.models import Config from alibabacloud_searchplat20240529.client import Client config = Config( bearer_token="<your-api-key>", endpoint="opensearch.cn-hangzhou.aliyuncs.com", protocol="https" ) client = Client(config=config)
文档解析任务支持两种输入模式：基于URL和基于本地文件。URL方式适用于文档已存储在公网可访问地址的场景：
from alibabacloud_searchplat20240529.models import ( CreateDocumentAnalyzeTaskRequestDocument, CreateDocumentAnalyzeTaskRequestOutput, CreateDocumentAnalyzeTaskRequest, CreateDocumentAnalyzeTaskResponse, ) document = CreateDocumentAnalyzeTaskRequestDocument( url="https://example.com/sample.pdf", file_type="pdf" ) output = CreateDocumentAnalyzeTaskRequestOutput( image_storage="url" ) request = CreateDocumentAnalyzeTaskRequest(document=document, output=output) response = client.create_document_analyze_task( "default", "ops-document-analyze-001", request ) task_id = response.body.result.task_id print("Task ID:", task_id)
本地文件方式需要将文件内容进行Base64编码后传入：
import base64 import os from alibabacloud_searchplat20240529.models import ( CreateDocumentAnalyzeTaskRequestDocument, CreateDocumentAnalyzeTaskRequestOutput, CreateDocumentAnalyzeTaskRequest, ) file_path = "path/to/sample.pdf" document = CreateDocumentAnalyzeTaskRequestDocument( content=base64.b64encode(open(file_path, "rb").read()).decode(), file_name=os.path.basename(file_path) ) output = CreateDocumentAnalyzeTaskRequestOutput( image_storage="url" ) request = CreateDocumentAnalyzeTaskRequest(document=document, output=output) response = client.create_document_analyze_task( "default", "ops-document-analyze-001", request ) task_id = response.body.result.task_id
获取task_id后，需要通过轮询方式查询任务状态和解析结果。建议轮询间隔为10秒，最多轮询120分钟。异步任务提交后，结果在24小时内可查询。
七、信息抽取模板：从配置到调用
文档智能的信息抽取功能允许用户通过配置模板来定义从文档中提取结构化数据的规则。模板的配置在AI Doc控制台中完成，主要分为两种类型。
第一种是Prompt模板，适用于各类文档的复杂抽取任务。它通过自然语言指令引导模型输出结构化或非结构化内容，在需要灵活性、上下文理解或复杂推理的场景中表现出色。Prompt模板支持RAG检索增强生成、图像处理和长文本理解三种抽取方式，并支持在单个模板中并发执行多个Prompt。
第二种是Key-Value模板，适用于从长文档中提取预定义字段的结构化信息。例如，在ESG报告中检查"是否包含员工权益保护内容"并要求输出"是"或"否"这样的标准化答案时，Key-Value模板是更合适的选择。它提供标准化的配置流程和结构化输出，抽取项以表格形式呈现便于审核。
配置模板的步骤为：首先登录AI Doc控制台，进入"文档 > 信息抽取模板"页面；然后点击右上角的"创建模板"按钮；接着根据文档特征和期望的抽取方式选择模板类型；最后配置模板详情。对于Key-Value模板，需要在键值表中输入待抽取的键名及其同义词（可选），在关键词列设置结果范围（可选），在常见问题列输入可能触发相关键的用户提示（可选）。对于Prompt模板，则需要为不同类别配置Prompt，并选择输出格式（文本或JSON）。
模板配置完成后，即可通过API调用信息抽取服务，调用时需传入模板ID和待处理的文档。
八、文档智能与RAG：构建企业知识库的最佳实践
文档智能与检索增强生成（RAG）技术的结合，正在成为企业构建专属知识库问答系统的标准范式。文档智能负责将各种格式的非结构化文档解析为结构化数据，而RAG则基于这些解析结果进行语义检索，为大语言模型提供精准的上下文信息。
在实际落地中，典型的架构流程是：首先使用文档智能的文档解析（大模型版）能力解析本地文档；然后将解析结果接入阿里云百炼平台创建知识库；最后基于该知识库实现增强检索生成的问答应用。这一应用开发可以基于LlamaIndex等社区框架进行。
阿里云也提供了更轻量的RAG构建路径。在AI搜索开放平台中，开发者可以通过完整的RAG开发链路搭建知识库在线问答系统，整体链路包含数据预处理、检索服务以及问答总结生成三大模块。最简场景下，只需4行核心代码即可完成从创建知识库到语义检索的全过程，无需部署任何服务器。
这种"文档智能解析 + RAG检索 + 大模型生成"的组合方案，可广泛应用于公司制度查询、产品FAQ答复、内部文档搜索问答等企业日常场景。企业只需一次性完成知识库搭建和接口配置，即可在钉钉等IM工具中随时调用AI助手应答。
九、权限管理、计费与常见问题
在权限管理方面，文档智能提供了系统策略AliyunDocmindFullAccess，主账号可以通过RAM控制台为子账号授予该权限。对于更精细的权限控制，还可以创建自定义权限策略。
计费方面，文档智能采用按量付费模式。文档解析按文档页数计费，文档理解中的文档解析（大模型版）为0.25元/页。新用户享有一定量的免费额度——电子文档解析每月3000页，文档智能解析一次性100页。免费额度用完后，超出部分按照后付费方式计费。信息抽取按使用的Prompt个数计费。文档格式转换则根据转换类型和页数收取费用。
在调用过程中可能遇到的常见错误包括：NoPermission表示服务未正确开通或权限配置有误；UrlNotLegal表示文档URL格式不正确或无法访问；超时错误（错误码1000）通常由网络原因引起，重试后一般可解决；文档不能为空（错误码3001）表示未正确传入文档内容。遇到解析失败时，应通过轮询结果查询接口获取详细的状态信息。
为了提高调用成功率，建议开发者遵循以下最佳实践：在正式调用前先通过轻应用验证文档处理效果；使用RAM子账号和最小权限原则管理访问密钥；合理设置轮询间隔（建议10秒）和超时时间（建议120分钟）；注意异步任务结果的有效期为24小时，需在有效期内完成结果获取。
十、总结与展望
阿里云文档智能通过文档理解、文档格式转换和OCR文档自学习三大能力板块，为企业提供了从非结构化文档到结构化数据的完整转换链路。无论是通过控制台轻应用快速验证效果，还是通过Java、Python等SDK深度集成到现有业务系统，文档智能都提供了灵活、高效的使用方式。
随着大模型技术的持续演进，文档智能与RAG的结合正在打开更广阔的应用空间——从智能客服到企业知识管理，从合同审核到财务自动化，文档智能正在成为企业数字化转型中不可或缺的基础设施组件。
对于即将开始文档智能集成之旅的开发者，建议从轻应用体验开始，逐步过渡到API调用，最后根据业务需求选择合适的产品能力和部署方式。阿里云文档智能将持续迭代，为用户提供更精准、更高效、更易用的文档智能化处理服务。
常见问题问答
问：文档智能支持哪些文档格式？
答：文档智能支持PDF、Word、Excel、图片等多种格式的文档处理。文档解析（大模型版）涵盖了市面上绝大多数格式的文档。
问：调用文档智能API时，本地文件和URL方式有什么区别？
答：URL方式适用于文档已存储在公网可访问地址的场景，直接传入URL即可。本地文件方式需要将文件内容进行Base64编码后传入，适用于文档未对外公开的场景。两种方式最终都会返回相同的task_id用于结果轮询。
问：文档智能的异步任务结果可以保存多久？
答：异步任务提交后，处理结果在24小时内可查询，超过24小时将无法获取。建议在任务完成后及时获取结果。
问：如何控制文档智能的调用成本？
答：建议利用好免费额度（电子文档解析每月3000页），根据实际业务量评估是否需要购买资源包。对于大批量处理场景，可以考虑使用更经济的存储类型或批量处理策略来优化成本。
问：文档智能返回的结构化数据包含哪些内容？
答：文档智能能够识别文档中的文字、表格、图片等元素，并通过先进算法将识别出的元素进行结构化处理，以层级树、版面信息等形式呈现。具体输出内容取决于调用的具体API能力，文档解析接口返回完整的层级结构和文本内容，信息抽取接口则返回预定义的键值对数据。
问：文档智能和百炼RAG如何结合使用？
答：典型的结合方式是先使用文档智能解析本地文档，将解析结果接入百炼平台创建知识库，然后基于该知识库实现增强检索生成的问答应用。这一方案可广泛应用于企业内部知识库检索、产品FAQ答复等场景。
