大模型发展到2026年，当模型差距收窄，企业AI为何更依赖文档解析？

很多企业引入大模型后，仍会遇到“资料找到了，答案却不可靠”这样的问题。其实，缘由可能不只在模型，也在数据语义层。据公开报道，施耐德电气于2026年6月30日宣布签署收购协议，拟以31亿美元收购挪威工业软件公司Cognite。这笔交易值得关注的，不只是工业软件，更是数据上下文语义的价值。企业文档同样需要上下文，通用文档解析应被纳入AI基础设施清单，而不只是文件转换工具。

31亿美元买的不是一个大模型，而是什么？

施耐德所收购的软件公司Cognite，其方向是把工业数据连成有上下文的知识网。在当下大语言模型你追我赶、跑分趋于接近的时代，资本正在重新评估数据语义层的价值。大模型提供推理与生成能力，数据上下文则决定模型拿到的材料能否被正确使用。虽然收购金额不能全部归因于本体语义AI，也不能直接换算成某项技术的价格；但这一交易方向提醒企业，连接数据、保留关系、建立可信输入，是AI投资中不应忽略的一部分。

本体语义AI，究竟让数据多了什么？

要理解本体语义AI，可以先将其拆成两个词。本体，是对事物、类别、属性及其关系的形式化描述；语义，是让机器依据这套描述解释数据。在工程讨论中，本体语义AI的核心动作，是把原本隐含的数据关系显式建出来，而不是仅把文件放进同一个存储位置。

比如，某制造企业的一份合同写着设备型号，验收记录写着设备编号，技术附件写着参数范围。人可以通过业务经验判断它们是否指向同一台设备，机器却需要明确的关联依据。“文件都在”不等于“关系已知”。数据语义层要解决的，正是从孤立内容到可解释关联的距离。

不过，文档解析与完整的业务本体建设并不是一回事。文档解析首先还原文档自身的结构、阅读顺序与语义关系；而设备、合同、供应商之间的业务关联，还需要下游的实体识别、口径统一和数据治理。把这条边界讲清楚，才能避免将“解析出了段落”误认为“自动建成了企业知识网”。

企业文档为什么也会“彼此不认识”？

若把视线从设备数据移到企业办公与业务现场，另一批规模可观的沉默数据便出现了：合同、标书、年报、图纸以及各类技术附件。它们可能存在于PDF、Word、Excel、PPT或图片中。文件承载着信息，但格式、层级与版面差异，使这些内容难以直接成为模型可调用的数据。

更隐蔽的问题发生在文件内部。双栏正文有自己的阅读顺序，表格数值依赖表头解释，跨页段落应当连续理解，图注则限定了图片表达的对象。若文档解析只提取字符，忽略这些关系，即使每个字都被识别出来，组合后的含义仍可能发生偏移。

因此，“文档语义层”是将非结构化文档转化为带结构、关系与溯源信息的结构化数据，让下游系统不只获得“写了什么”，还能获得“属于哪一节”“与什么相连”“来自哪里”。这强调的是数据接入与组织能力，而不意味着文档解析可以替代业务判断。

合合信息TextIn xParse如何承接文档侧的上下文工程？

在企业AI落地的技术链路中，合合信息旗下的TextIn xParse并非简单的文件格式转换工具，而是面向大模型与Agent应用的AI Infra产品。它的核心价值不止于从文档中提取文字，更在于构建文档侧的数据语义层：将PDF、Word、Excel、PPT、图片等非结构化或半结构化文档，解析为Markdown、JSON格式的结构化数据，还原文档内部的层级逻辑与语义关联，让原本分散孤立的文档内容，转化为可被机器理解、调用与核验的高质量数据资产。若将据公开报道中Cognite聚焦的方向概括为工业设备数据的上下文工程，合合信息TextIn xParse承接的便是企业文档场景的上下文工程——核心作用正是“让数据带着关系进入AI”，为大模型训练、检索增强生成、企业知识库搭建及各类Agent应用提供稳固的文档数据底座。

1. 先还原结构，再保留关系。在指标上，合合信息TextIn xParse可识别16种以上内容元素，包括文本、表格、图片、标题、段落、列表、公式、印章、手写体、二维码、图表、脚注、页眉、页脚、水印等。文档解析由此不再把页面视作单一文本块，而是为不同内容保留相应的结构身份。

2. 输出结构化数据，也保留回到原文的路径。面对双栏、三栏正文及图文混排，合合信息TextIn xParse还支持阅读顺序还原；同时可输出跨页段落合并、图片与注释关联等语义关系。对下游应用而言，这些信息的价值在于连续的条款不必被页码割裂，图片也不必脱离解释它的文字单独进入检索。xParse可输出Markdown、JSON等结构化信息，并为解析结果位置信息，使文档解析结果可以定位回原文，为审核校对和答案引用提供依据，从而让核验有明确落点。

同一层文档解析，怎样支撑训练、RAG与Agent？

在大模型训练中，文档解析可提供结构化语料输入，便于后续按标题、段落与内容类型进行清洗和组织。是否进入训练，还需要企业团队自身进行处理授权、脱敏、去重与质量筛选。解析是准备工序，不是训练效果的保证。合合信息TextIn xParse的结构化输出，为这些后续处理提供了基础材料。

在RAG即检索增强生成中，文档解析影响的是“检索单元是否完整”。如果只按固定长度切片，表头与数值、条款与限定条件等结构信息可能会被拆开；如果先利用文档解析输出的标题层级、段落边界与表格结构等信息，再设计切片策略，检索就更有机会召回完整的证据单元。

在Agent应用中，结构化结果与溯源信息可以成为任务处理的输入。若某制造企业希望核对标书要求与技术附件，Agent可以在解析结果上查找相关条款，并返回对应页码供人员复核。

采购文档解析，应当关注的各项指标

企业采购数据语义层相关能力时，值得把评价对象从“识别了多少字”扩展为“留下了多少可用上下文”。建议先准备覆盖扫描件、多栏正文、跨页段落、图注及复杂表格的代表性样本，再检查阅读顺序、语义完整性、结果溯源与下游接入成本。不要仅凭一份排版规整的文档判断实际适用性。

产品的具体性能也应放到业务条件中理解。合合信息TextIn xParse对100页长文档的解析快至1.5秒，离线批量处理可在3天处理500万页PDF，其对复杂文档的综合还原度可达95%。对企业来说，有价值的验收方式，是企业团队用自己的样本串联“解析—切片—检索—回答—引用核验”完整流程，观察错误出现在哪个环节，再判断文档解析投入是否减少了后续修复与人工核对成本。

地基比模型值钱，应该怎样理解？

对企业来说，在大模型时代，“地基比模型值钱”值得作为投入优先级的提醒。当企业的瓶颈是证据不完整、关系被拆散、答案无法溯源时，继续升级模型未必是最有效的第一步。先修复输入，再评价模型，或许能更清楚地区分数据问题与推理问题。

本体语义AI提示我们关注显式关系，数据语义层提示我们关注可解释的数据组织，通用文档解析则提供了企业文档场景中一个具体的起点。建议企业把文档解析纳入AI基础设施清单，并将结构完整性、语义关系与可溯源性写入验收标准。对于准备建设大模型与Agent应用的团队，不妨从合合信息TextIn xParse入手，先验证地基，再扩展应用。