截至 2026 年 11 月 9 日,Azure Content Understanding 在预览版中引入 Agentic Extraction,也就是智能体模式。变化并不是返回结构发生改变:用户仍然通过字段模式定义输出,分析器仍然返回结构化结果。真正不同的是处理过程。标准模式倾向于用一次高效读取完成字段提取和生成;智能体模式则让模型围绕文档展开多步推理,按需调用文本、表格、视觉内容、计算和结果校验等工具,必要时重新查看证据。
从一次读取转向可回查的证据链
不少文档看起来只需定位一个字段,实际却可能同时包含跨页表格、筛选条件、单位换算、修订标记和计算要求。单次处理容易得到“看起来合理”的结果,却无法确认每个数字是否来自正确行列、是否应该计入,以及中间步骤是否完整。
智能体模式为模型提供了一个面向文档的推理循环。它可以浏览正文和表格、放大并检查视觉区域、执行计算,再验证所得字段是否满足模式要求。微软表示,这一模式的目标不是简单地增加调用次数,而是让额外计算用于可能实质影响准确性的任务。
- 跨页面或跨表格汇总证据;
- 按照文档规则执行筛选、排除和计算;
- 分析长文档并检查完整性;
- 理解复杂布局、图表及其上下文;
- 首次结果可疑时返回原始内容复核。
三个典型文档任务
一个示例是美国财政部资料。目标是从 137 页公报中的跨页表格计算 2003 年 1 月的机构支出,并遵循模式指定的纳入与排除规则。处理过程需要沿表格标题识别机构、定位对应月份、剔除不适用的项目、处理修订与负号,再完成汇总。官方示例给出的最终结果为 180,681 million dollars,并展示了从原始页面到选择、规范化和计算的完整证据路径。
另一个示例针对 20 页材料中的四张经济图表。任务需要填写 GDP 增长、工资变化、失业率和短期利率趋势相关的七个字段。智能体模式不仅读取曲线或柱形,还结合副标题、坐标轴和周边文字解释数值;遇到含义不清的图形时,会返回来源检查判断。
第三个示例是一份连续 19 页的网络事件日志。分析器需要合并重复表头,识别并统计全部事件、Critical 事件,或筛选 Link Down 事件后累加持续时间。事件编号存在空缺,因此不能用首尾编号推算总数,必须逐页核对实际行数。
何时使用,以及它的代价
智能体模式并非标准模式的替代品。微软将标准模式定位为默认起点:速度快、成本较低,并适合大多数能够满足准确性要求的文档。只有当额外推理能够明显改善结果时,智能体模式才更值得使用,例如证据分散、需要计算或对账、规则复杂、文档很长,或者视觉结构难以一次解析。
它也有明确限制:同一文档通常会消耗更多模型令牌,并需要更长的处理时间;增加推理轮次也不保证结果一定更好。因此,厂商建议使用有代表性的真实文件同时测试两种模式,以质量提升是否足以抵消成本和延迟作为选择依据。
在 Content Understanding Studio 中,可选择 API 版本 2026-06-01(预览版),并把 Workflow kind 设为 Agentic Extraction。通过 API 使用时,可指定 2026-06-01-preview,并在分析器定义的 config 中设置 workflow 为 agentic。现阶段该能力仍处于预览阶段,具体支持范围和后续变更需以微软正式发布信息为准。
资料来源:When one pass isn’t enough: agentic mode in Azure Content Understanding(2026-11-09)。
一起聊聊
留下你的想法,评论审核通过后展示。