py-idp 是什么?面向 Python 的 AI 智能文档处理框架，支持多 LLM 后端与 OCR

中文导读

py-idp 是一个 Python 智能文档处理框架，用六阶段流水线把 PDF 等文档转成结构化数据。它通过 Pydantic schema 定义字段，支持 12 种以上 LLM 后端和自托管 OCR，内置自动分块、评估工具和人工审核界面。适合需要从发票、扫描件中提取信息并希望灵活切换模型或自托管的开发者。

根据 GitHub 公开数据,该项目的编程语言为 Python,开源协议未注明,创建于 2026-08-31,最近更新于 2026-10-15,目前有 237 个 Star。

项目介绍

py-idp 是一个面向 Python 的智能文档处理（IDP）框架，采用六阶段流水线：解析、分类、提取、评估、验证和人工审核（HITL）。它通过 Pydantic schema 定义提取字段，支持 12 种以上 LLM 后端，包括 OpenAI、Anthropic、Ollama 以及多家中国厂商的模型，并内置自托管 OCR 模型 Nanonets-OCR2-3B。

该框架提供自动分块处理超大文档、基于 AI 的 schema 发现、业务规则校验、评估工具以及重试、缓存和检查点等可靠性机制。还包含一个生产可用的 FastAPI 服务器和 Streamlit 人工审核界面，并支持从人工修正中学习。

主要功能

• 六阶段文档处理流水线：解析、分类、提取、评估、验证、人工审核
• 支持 12 种以上 LLM 后端，包括 OpenAI、Anthropic、Ollama 及多家中国厂商模型
• 基于 Pydantic schema 的字段提取与验证，支持自动 schema 发现
• 内置自托管 OCR（Nanonets-OCR2-3B）和多种 PDF 解析器（Docling、pdfplumber）
• 自动分块处理超大文档，内置重试、缓存和检查点机制
• 提供评估工具（字段 F1、schema 合规率）和从人工修正中学习的 RL 更新

适合谁用

需要从 PDF、扫描件等文档中结构化提取信息的 Python 开发者，以及希望自托管或灵活切换 LLM 后端的企业团队。

快速上手

1. 安装核心包：pip install py-idp
2. 使用零配置快速提取：from idp.easy import extract_one; fields = extract_one("invoice.pdf")
3. 运行示例脚本：python examples/00_zero_to_extraction.py
4. 按需安装可选依赖，如 pip install py-idp[docling] 或 pip install py-idp[api]

Star 增长趋势

同类项目