OCR（Optical Character Recognition，光学字符识别）可能是计算机视觉领域最古老的问题之一。从 1929 年的机械装置到 2026 年的端到端，它走过了将近一个世纪。

但真正有趣的是，这个领域的四次升级，几乎完美映射了整个 AI 技术栈的演进轨迹。

接下来，我会带你走过 OCR 的四个时代，每一次跃迁背后的技术动因。

01 OCR 0.5 时代：规则与特征匹配（1929–2012）

这个时代跨度最长，机器就像一个高度近视、只会死记硬背的老大爷。它的工作逻辑很简单：人先告诉他字长什么样，他拿着卡尺去纸上挨个比对。

1929 年，奥地利工程师 Gustav Tauschek 申请了人类历史上第一个 OCR 专利——一个用模板匹配来识别字符的机械装置。

这个装置很简单：用光去照射纸张，黑色的墨水会吸光，而白纸会反光，再利用一个刻有字符镂空孔的圆盘，通过旋转这个特殊圆盘来匹配，当后方的光电管接受到了反光，则说明不是这个字符，而当没有光线透过镂空孔的时候，说明匹配成功，再通过机械装置输出对应的字符。

到了 1950-60 年代，OCR 开始商业化。IBM、RCA 等公司推出了能识别特定字体的 OCR 设备，主要用于银行支票和邮政编码。为了能让机器更好的识别字体，甚至诞生了两种字体：OCR-A和 OCR-B。

1974 年，美国发明家 Ray Kurzweil 在一次航班上偶遇一位盲人，这位盲人告诉他，视力障碍并没有给他带来出行障碍，最大的障碍反而是阅读，于是，他做了一件改变 OCR 历史的事：创立了库兹韦尔计算机产品公司，并创建了第一个全字体OCR 系统，这是一种几乎能够处理任何印刷字体的 OCR 系统，而不仅仅是特定的标准字体。

为了实现全字体的 OCR 系统，Ray Kurzweil 抛弃了传统的模板匹配，改为提取字符的特征来实现文字识别，这个算法会先通过分析字符的结构特征，例如线段的方向，线段在哪里交叉等，比如字符 A 就被定义为两条在顶部相交的对角线，中间由一条水平线连接，而小写的 b 被定义为左边一条垂直长线，右下方连接一个闭合的环。通过这种拆解特征的方式，机器获得了识别全字体的能力。

之后还需要将特征匹配到对应的文字上，Kurzweil 的团队编写了一套复杂的规则引擎，系统会将提取到的特征，输入到规则库中进行概率评分和逻辑匹配，当这些特征组合满足了字母的规则条件时，系统就会输出对应的 ASCII 码字符。

同时，为了解决部分字体特征几乎一致的问题，例如大写 O 与数字 0，小写 l 与数字 1 ，Kurzweil 的系统还引入了基于词汇和语言规则的后处理机制，系统会根据上下文来做逻辑判断：如果这个字符出现在单词 App_e 中，那它一定是字母 l；如果它出现在公式 199_ 中，那它大概率是数字。

接着，Ray Kurzweil 又发明了 CCD 平板扫描仪和 TTS 文本转语音合成器，并将它们与 OCR 结合，创建了著名的库兹韦尔阅读机。

之后，HP 实验室在 1985 年开始开发 Tesseract，并于 2005 年开源，于 2006 年交由 Google 接手维护。Tesseract 的发展历经两个主要阶段，经典架构，对应版本 1.0-3.x，以及现代架构，对应版本 4.0 及以后。

由于 4.0 及之后的版本引入了深度学习，超出了这个时代的范畴，所以我们只讨论经典架构。

Tesseract 的识别过程，就像一个经验丰富的阅卷老师批改手写试卷：

首先，它把图片转成黑白两色，把每一团黑色墨迹抠出来，每一团通常对应一个字符。然后，它把这些墨迹团按位置排成一行行文字，再根据间距判断哪里是字母之间的缝隙、哪里是单词之间的空格。

最精妙的是它处理粘连字和断裂字的方式：如果两个字母粘在一起（比如 rn 看起来像 m），它会尝试从最细的地方掰开；如果一个字母断成了两半，它会尝试把碎片拼回去。

而 Tesseract 准确率极高的秘诀，在于它的两遍阅读法：第一遍先认出那些清晰好认的字，然后从中学会这篇文档的字体风格；第二遍再用学到的字体知识，回头去辨认那些第一遍没认出来的模糊字。就像人类阅读时，先根据清晰的字迹摸清作者的笔迹，然后再去猜那些潦草的字。

最后，它还会用内置的词典和语言规则进行纠错（比如 q 后面通常是 u），输出最终结果。

然而，以上的方法都有一个致命弱点：严重依赖几何学、拓扑学和穷举规则。

几乎所有以上的 OCR ，都需要撰写特定的规则，或者识别特定的特征，然而，这在多语言时简直就是灾难，因为对于英文来讲，对于 26 个字母，以及少量标点符号进行特征提取和规则编写是可行的，然而对于中文、日文、阿拉伯文等语言来说，几乎是不现实的，因为它们拥有复杂的字符结构，庞大的字符数量，还会根据位置变形，并且以上的方法还严重依赖输入，如果出现字符不清晰、变形等问题，这些规则和特征就会失效，导致识别率急剧下降。

这个问题困扰了 OCR 社区几十年——直到深度学习的到来。

02 OCR 1.0 时代：深度学习登场（2012–2017）

2012 年，一个名为 AlexNet 的深度学习模型横空出世，在全球最大的图像识别竞赛中一战成名，把错误率从 26% 一口气降到了 15%。它向全世界证明了一件事：只要喂给机器足够多的数据，让它自己去悟出规律，效果远比人类手写规则要好得多。从此之后，计算机视觉领域全面转向了深度学习，各大科技巨头（谷歌、微软、百度等）纷纷入场，AI 军备竞赛正式开始。

2015 年，Shi 等人发表了 CRNN，这篇论文几乎重新定义了文字识别的方式。

它把三种神经网络巧妙地串在了一起，就像一条高效的流水线：

CNN（卷积神经网络）——充当眼睛，负责从图片中提取文字的视觉特征，比如笔画的形状和纹理。

BiLSTM（双向长短期记忆网络）——充当大脑，从左到右、再从右到左把整行文字读两遍，理解字符之间的前后关系。就像人类读一句话时，会结合前后文来判断中间那个模糊的字是什么。

CTC（连接时序分类）——充当翻译官，解决了一个棘手问题：图片里每个字的宽度不一样，模型输出的信号长短不一、充满重复。CTC 能自动把这些杂乱信号整理成最终的文字（比如把 H-ee-l-ll--o 自动整理成 Hello）。这样一来，模型不需要知道每个字符的精确位置，只需要知道整行文字是什么。

直到今天，你在市面上看到的部分科技公司的文字识别接口，或者最出名的开源神器（如 PaddleOCR），它们底层用来识别文字的核心模型，依然是 CRNN 的架构或其变体。

这个时代形成了经典的两阶段 pipeline：检测 → 识别。先用检测模型找到文本区域，裁剪出来，再送入识别模型。这套范式在工业界广泛落地，成为了各种扫描 App、票据识别、车牌识别的基础架构。

但两阶段 pipeline 有自己的问题：

• 检测和识别是两个独立的环节，第一步出了错，第二步只能跟着错——就像流水线上前一道工序切歪了，后面也没法纠正。
• 遇到弯曲、密集或被遮挡的文字，只会用方框去框选，经常把无关内容一起框进来。
• 对于复杂文档（表格、公式、图文混排），光是找到文字在哪远远不够，还需要理解整个页面的布局结构。

更深层的问题是：这套架构处理长文本时会健忘。就像一个人读一段很长的话，读到后面就忘了前面说什么了。

随着 2017 年 Transformer 架构的诞生，一个新的架构正在酝酿。

03 OCR 1.5 时代：Transformer 驱动的精细化（2017–2023）

2017 年，Vaswani 等人发表 Attention Is All You Need，Transformer 架构席卷 NLP。但它对 OCR 的影响并非一蹴而就——从渗透到主导，经历了大约三年。

Transformer 对 OCR 的改造发生在两个维度：检测更精细，识别更强大。除此之外，这个时代还诞生了一个全新的领域：文档理解（Document AI）。

检测端的进化：告别死板的矩形，走向像素级多边形

在 1.0 时代，检测模型大多沿用目标检测的思路，画个矩形框把文字框出来。但现实中，印章上的文字是环形的，商品包装上的文字是扭曲的。如果用矩形框，就会把大量无关背景甚至其他文字框进去。

为了解决这个问题，检测模型转向了抠图路线——不再画框，而是像 PS 抠图一样，把文字区域的像素精确地扣出来。在这个方向上，2020 年由华中科技大学和旷视联合提出的 DBNet 是一座难以逾越的高峰，它几乎统治了工业界的检测端（也是 PaddleOCR v2/v3 的核心检测算法）。

它的核心突破可以用一个比喻来理解：

以前的模型就像一个工人用固定标准来判断这里是不是文字——比如亮度低于 50% 就算文字。但不同图片的光线、颜色差异很大，一刀切的标准经常出错。DBNet 的天才之处在于：它让 AI 自己学会因地制宜——对于明亮的区域用一个标准，对于阴暗的角落用另一个标准，对每一小块区域都动态调整判断尺度。

结果就是：不管文字怎么弯曲、怎么密集排列，DBNet 都能极其快速、精准地贴着字画出精确轮廓，彻底解决了复杂排版下的检测难题。

识别端的进化：扔掉 CNN 和 RNN，全盘 Transformer 化

既然检测变准了，识别又该怎么突破读长句会健忘的瓶颈？答案是直接换一个更聪明的大脑。

2021 年，微软提出了 TrOCR，这篇论文就像是一场革命，彻底掀翻了 CRNN 统治多年的桌子。它宣告：以前那套三件套（CNN + RNN + CTC）全都不要了！

TrOCR 的架构可以理解为两个协作的角色：

看图的人（视觉编码器）：它把文本行图片切成一个个小方块（比如 16×16 像素），然后同时审视所有方块之间的关系——不像以前只能看到局部，现在一眼就能纵览全局。

写字的人（文本解码器）：这部分本质上就是一个语言模型，类似于 ChatGPT 的前身。它接收看图的人传来的视觉信息，然后像写作文一样，一个字一个字地写出识别结果。

关键优势：传统模型看不清字母时容易乱猜（比如把 clear 识别成 dear），因为它几乎不懂语言。而 TrOCR 自带强大的语言知识，能根据上下文推断出模糊的单词——就像人类即使看到一个潦草的字，也能根据整句话的意思猜出来。而且超长文本的健忘问题也彻底解决了。

从认字到懂文档：多模态的觉醒

1.0 时代的结尾我们提到，只是把字抠出来是不够的，我们需要理解发票、简历、报表上的表格和键值对（Key-Value）。

2020 年，微软亚洲研究院发表了 LayoutLM，正式拉开了文档理解的序幕。

它的创新可以这样理解：传统的 AI 读文字时，就像蒙着眼睛听人朗读——它只知道姓名和张三这两个词前后挨着，却不知道姓名印在左边、张三写在右边，两者其实是一对标签-内容的关系。

LayoutLM 做的事情，就是把 AI 的眼罩摘掉。它不仅让模型知道每个词是什么，还让模型知道每个词在页面上的哪个位置，以及这个词周围长什么样。

于是，模型突然开眼看世界了。它发现，发票上左边加粗的字通常是表头，右边对齐的字通常是内容。有了 LayoutLM，OCR 不再只是吐出一堆文字，而是能直接把一张复杂的报表转化为结构化数据。

但 1.5 时代依然不够完美：

尽管 DBNet 解决了弯曲文本，TrOCR 解决了长文本识别，LayoutLM 解决了排版理解，但这依然是一个拼图时代。

为了实现文档理解，你得先跑一遍 DBNet 做检测，切图后再跑一遍 TrOCR 做识别，最后把文字和坐标喂给 LayoutLM 去做结构化提取。整个系统无比臃肿，不仅推理慢、维护成本极高，而且模块之间依然存在各自为战、误差累积的顽疾。

直到 2023 年底，随着 GPT-4V 的震撼登场和多模态大模型的爆发，OCR 领域才终于意识到：其实，我们甚至不需要检测和识别这两个概念。

一场名为 像素即文本（Pixels-to-Text）的终极革命——OCR 2.0 大模型时代，正式降临。

04 OCR 2.0 时代：大语言模型的降维打击与端到端（2023–至今）

2023 年，随着 GPT-4V 的震撼发布，整个 AI 社区猛然惊醒：既然多模态大语言模型（MLLM）已经拥有了不可思议的看图说话能力，那我们为什么还要辛辛苦苦地去切图、认字、排版呢？

OCR 2.0 与 1.5 时代的本质区别，在于流水线（Pipeline）的彻底消亡。

在 1.5 时代，OCR 是一套极其臃肿的接力赛。先用一个模型框出文字位置，再用另一个模型认字，最后再用第三个模型理解排版。这不仅速度慢，更要命的是多米诺骨牌效应——只要第一步框歪了一点，后面每一步都会跟着错。

在 2.0 时代，OCR 变成了一个全能选手。不需要检测框，不需要独立识别，不需要后处理。给模型一张图片，它直接输出排版完美的 Markdown、带公式的 LaTeX 或是结构化的 JSON。一个模型，一步到位，解决所有问题。

在这个过程中，诞生了一个极具代表性、甚至可以说是集大成者的经典技术架构：GOT-OCR 2.0（General OCR Theory，通用 OCR 理论）。

它在 2024 年横空出世，用极其优雅的架构和不到 1B（十亿）的参数量，向世界展示了 OCR 2.0 的终极形态。如果你想弄懂 OCR 2.0 是怎么运作的，看透 GOT-OCR 2.0 就够了。

经典技术拆解：GOT-OCR 2.0 的大一统魔法

GOT-OCR 2.0 能够做到看一眼图，直接输出排版代码，是因为它在底层架构上完成了三大革命性的创新：

视觉编码器：从全局缩放到动态分辨率（Dynamic Resolution）

以前的 AI 看图有一个致命弱点：它只能看固定大小的小照片（比如 224×224 像素）。如果你给它一张 4K 高清报表，它会把图片硬缩成小图，结果文字全糊了。

GOT-OCR 引入了动态分辨率机制——就像人类看大报纸一样：先扫一眼全局了解大致布局，再凑近看局部细节。它把大图切成一块块小图分别看清，最后在脑中拼成完整画面。这样一来，无论是一张小名片，还是一张超大工程图纸，它都能看清每一个字。

文本解码器：大语言模型（LLM）的降维打击

1.5 时代的 TrOCR 虽然也用了 Transformer，但它的 Decoder 只是一个很弱的语言模型，只能勉强拼凑单词。

而 GOT-OCR 直接把真正的大语言模型（如 Qwen-0.5B 等 LLM）拿来做大脑。这意味着什么？这意味着模型不仅是在认字，更是在理解世界。当它看到图片里有一个被划掉的错别字时，传统的 OCR 会傻傻地把错别字也识别出来；而有了大模型的常识加持，它知道那是一个无效信息，会自动忽略。遇到极其模糊的医学处方，大模型甚至能根据上下文的药理逻辑，准确推理出那个看不清的药名。

交互式范式：万物皆可 Prompt

1.0 和 1.5 时代，OCR 被认为是一种单向任务：输入图片，机器吐出所有文字，不管你需不需要。

GOT-OCR 2.0 将 OCR 变成了对话式的交互。你可以向它下达各种极度精细的指令（Prompt）：

• 识别图片右上角红色框里的文字。（区域 OCR）
• 将这张满是数学公式和图表的论文截图，直接转成 LaTeX 源码。（格式化 OCR）
• 这张五线谱上的音符是什么？（超越文本的泛 OCR）

甚至连分子式、几何图形、乐谱，在它的眼里都只是某种语言。只要大模型见过这种语言的规律，它就能完美地将视觉像素翻译成对应的代码。

总结：OCR 的终结与新生

从 1.0 时代用 CNN 逐个抠字，到 1.5 时代用 Transformer 理解版面，再到如今 2.0 时代用 MLLM 统御一切，OCR 走过了一条无比漫长但充满魅力的演进之路。

OCR 2.0 的出现，在某种意义上宣告了传统 OCR 工程师这个岗位的消亡。 因为文字识别不再是一个独立的计算机视觉子领域，它已经被彻底消解、并入到了通用人工智能（AGI）的多模态感知能力之中。

未来的 AI，不再需要一个专门的器官去阅读文字，因为当它睁开眼睛看向这个世界的像素时，它就已经读懂了一切。

05 站在 OCR 2.0，回头看

把四个时代放在一起，你会发现一条清晰的主线：从人定义规则到模型学习规则，从分步解决到端到端解决，从识别文字到理解文档。

OCR 0.5 时代：采用“模板比对+人工规则”，能将扫描图片转为纯文字。最大瓶颈是遇到字符粘连和切分不准时，识别率极低。

OCR 1.0 时代：引入深度学习（CNN+RNN），可识别单行文字图片。最大瓶颈是“检测”和“识别”各管各的，步骤较为割裂。

OCR 1.5 时代：采用Transformer架构，支持整页文档转文字。最大瓶颈是依然需要复杂的多步流水线，依赖多个模型拼接。

OCR 2.0 时代：基于多模态大模型，能将任意图片直接转为结构化文本。最大瓶颈是目前推理速度慢、算力贵、成本高。

每一次转换，都不是简单的用新技术替换旧技术，而是重新定义了问题本身：

OCR 0.5 → 1.0：从怎么把字一个个切开认变成怎么让机器自己学会认整行字

OCR 1.0 → 1.5：从怎么让机器认得更准变成怎么让机器带着知识储备来认字

OCR 1.5 → 2.0：从怎么识别文字变成怎么理解整份文档

OCR 2.0 的未解问题

当然，OCR 2.0 并不是终点，它面临的挑战同样巨大：

分辨率困境：一页 A4 文档扫描后的图片非常大，让 AI 看这么大的图需要消耗巨大的算力——就像让一个人用放大镜逐像素地审视一整面墙。

幻觉问题：大模型有时会脑补图片中根本不存在的文字——这在金融、法律、医疗等对准确性要求极高的场景中，是不可接受的。

速度问题：大模型是一个字一个字地写出结果的，面对一页几千字的文档，速度远不如传统方案。

可控性：传统方案就像手动挡汽车，每个环节都能精确调节；大模型更像自动驾驶系统，整体很强，但出了问题很难定位和微调。

所以在未来 2-3 年内，OCR 2.0 和 OCR 1.5 会长期共存。需要极高精度和极快速度的场景（如金融票据、身份证、车牌识别），传统流水线方案仍然是更优选择。而面对复杂文档理解、多语言、灵活排版输出的场景，大模型方案将逐步成为主流。

最终，OCR 的边界正在消融。当一个模型既能识别文字、又能理解表格、还能解析公式和图表的时候，OCR 这个词本身可能已经不够用了。

06 从 OCR 到 PDF 文档解析：真正的战场

如果 OCR 是识别文字，那文档解析就是理解文档。而在所有文档格式中，PDF 是最难的那个。

为什么 PDF 是文档解析的终极 Boss？

PDF 的设计哲学是所见即所得——它忠实地保存了文档的视觉外观，但彻底丢弃了语义结构。一个 PDF 文件内部是什么样的？

• 文字不是按照人类阅读顺序存储的，而是按照渲染顺序排列的。一个看起来连续的段落，在底层可能是几十个分散的文本块。
• 表格没有表格标记。那些整齐的行列，在 PDF 里只是一堆精确定位的文字和线条。
• 公式更不用说了。LaTeX 渲染出来的公式，在 PDF 里变成了一堆带有精确坐标的特殊字符。
• 图片可能嵌入在页面的任何位置，与文字混排。
• 多栏排版、脚注、页眉页脚、跨页表格——每一个都是一个独立的解析难题。

MinerU：传统 pipeline 的集大成者

在 2024–2025 年的 PDF 解析领域，MinerU（上海人工智能实验室，开源于 2024）是传统路线的代表作。它的思路就像一个分工明确的团队：

• 一个模型专门负责排版分析——识别出哪里是文字、哪里是图片、哪里是表格
• 一个模型专门负责文字识别
• 一个模型专门负责表格识别
• 一个模型专门负责公式识别

最后由一套规则把所有结果拼接整合，生成结构化输出。

MinerU 在学术论文、技术报告等标准文档上表现优异。但它的本质仍然是一套多个专家协作的流水线——每个专家只管自己那一块，通过复杂的规则拼接在一起。

这意味着：

• 任何一个专家出了问题，整条流水线的结果都会变差——就像团队里有人掉链子，整体产出就会下降。
• 遇到非标准文档（工程图纸、扫描件、手写笔记），各个模型容易水土不服，效果急剧变差。
• 维护成本高——每个模型都要单独训练、单独升级、单独部署。

07 纯视觉路线：一个模型解决所有问题

2025 年，一个激进的想法开始在工业界获得真正的牵引力：为什么我们不直接把 PDF 页面当作图像，让一个视觉语言模型来看这一页，然后直接输出结构化的文本？

这就是纯视觉路线（Pure Vision Approach）。

PDF → 页面渲染为图像 → VLM（视觉语言模型）→ 结构化 Markdown/JSON

整个流程被压缩为一步。不需要版面分析、不需要区域分类、不需要独立的文字识别器、表格识别器、公式识别器。一个足够强大的视觉语言模型，直接看着页面图片，输出你想要的任何格式化文本。

这听起来过于简化，但 2025–2026 年的实践证明，对于越来越多的文档类型，纯视觉路线已经达到甚至超过了传统 pipeline 的质量，同时大幅降低了系统复杂度。

值得注意的是，连 MinerU 自身也在拥抱这个趋势。在最新版本中，MinerU 的 API 已经支持 model_version: vlm 参数——这意味着它的后端正在从传统的多模型 pipeline 向基于视觉语言模型的端到端方案迁移。

Knowhere：为 AI Agent 构建的文档记忆基础设施

作为这个时代的亲历者，我们（Knowhere 团队）在 2026 年 5 月将 Knowhere 核心技术栈全面开源（采用 Apache 2.0 协议）。我们始终相信，AI Agent 的记忆层不应该是一个封闭的黑盒，而应当作为整个 AI 开发者生态共享的开源基础设施。

全栈开源与私有化部署

目前，Knowhere 开源项目已经在 GitHub 上完整发布，涵盖了从数据接入、层级解析到 Agent 检索的全套技术栈：

核心框架(Knowhere Core)：(https://github.com/Ontos-AI/knowhere) —— 提供完整的文档解析路由、树形层级重构、多模态对齐以及 Cross-document Graph 记忆构建算法。

一键私有化部署(Knowhere Self-Hosted)：(https://github.com/Ontos-AI/knowhere-self-hosted) —— 支持开发者在本地或企业内网中，通过 Docker 快速一键拉起整套端到端服务，确保敏感数据不出内网。

可视化控制台(Knowhere Dashboard)：(https://github.com/Ontos-AI/knowhere-dashboard) —— 方便开发者管理文档知识库、监控解析任务并进行可视化的检索调试。

通过彻底开源，Knowhere 赋予了企业与开发者完全掌控自身“文档记忆数据”的能力，告别了云端服务商的商业绑定与隐私顾虑。

我们是谁？我们在做什么？

Knowhere 是连接脏文档（复杂、非结构化的真实世界文档）与 AI Agent 之间的记忆层。

很多开发者在构建 AI 应用时，处理文档的方式非常粗暴——就像把一本书随机撕成一页页碎片，然后让 AI 通过关键词在碎片堆里翻找答案。这种方式会彻底打碎文档原有的逻辑结构，导致 AI 拿到的永远是断章取义的信息片段。

我们不认为这是通向文档智能的正确路径。正如我们在主页上所说：我们不是在打造下一个 MinerU 解析器，我们是在构建能被 Agent 高效消费的文档记忆基础设施。

我们的工作分为两个核心步骤：第一步，把文档解析成 AI 能理解的记忆；第二步，让 AI 像研究员一样智能地检索这些记忆。

我们是如何实现的？

第一步：解析与记忆建构 (Parse and Build Memory)

我们建立了一个智能的分诊台——无论你扔过来的是 PDF、Word、图片还是 Markdown，系统都会自动把它分配给最合适的解析器来处理。

但这仅仅是基础。我们最核心的技术是独创的树形算法。打个比方：传统方案把一本书撕成碎片，而我们是给这本书建一个完整的目录树——保留章、节、段的层级关系，让每一块内容都知道自己属于哪一章、哪一节。同时，系统会自动识别文档中的图片和表格，用 AI 为它们生成摘要，最终把整份文档变成一张 AI 随时可以查阅的知识地图。

第二步：Agent 式检索 (Agentic Retrieval)

这是我们与传统方案最大的区别。在 Knowhere 的架构下，AI 不是在碎片堆里盲目翻找，而是像一个人类研究员查阅资料一样，有章法地阅读文档：

1. 发现：先通过关键词和语义理解，快速定位到最相关的文档和章节——就像先翻目录找到对的章节。

2. 导航：沿着文档的目录树和知识关系网，层层深入到最核心的段落——就像顺着目录一级级点进去，找到最关键的那一页。

3. 引证：每一次回答都能精准指出这个信息来自哪份文档的第几章第几节，保证答案有据可查。

为什么我们能做得更好？

构建在 Knowhere 记忆层之上的 AI，在真实业务场景中展现出了远超传统方案的实力：

• 更准：首次回答的准确率提升了 36%，找到正确信息的能力提升了 11%。
• 更可靠：经过反馈优化后，业务准确率可达 79%，而直接把原始文档扔给大模型的方案往往在 53% 就遇到了天花板。
• 更省钱：因为 AI 能在知识地图中精准导航，避免了阅读大量无关内容，大幅减少了计算消耗和等待时间。

此外，Knowhere 不挑模型——不管是 DeepSeek、Qwen-VL，还是 OpenAI、智谱等，都可以无缝接入。

落地 PageMemory V2：首创颗粒度自适应路由

为了让 Agent 更完美地平衡“完整理解”与“局部检索”的效率，Knowhere 目前正全面落地 PageMemory V2 方案。该方案的核心在于引入了 DOC_PROFILE 颗粒度路由器，作为大脑根据文档的分类（如科技论文、财务报表等）、TOC 结构以及复杂页面比例，自适应输出最契合的记忆颗粒度判决（Verdict）：

whole_doc 整体记忆：对于少页、无 TOC 的简单文档进行整篇全量记忆，不作拆解，避免破坏 Agent 对宏观上下文的理解。

page 逐页记忆：对于复杂文档进行逐页持久化与深度记忆，结合全页图像、图像摘要与原始文本构建关联。

shard_page 分片记忆：针对超大文档，先分片再进行逐页记忆，合理平摊算力。

通过这一首创的“颗粒度自适应”机制，配合可插拔的 Profiler 接口（开源默认支持规则与通用 VLM，商业版支持更高精度和性价比的专有微调模型），Knowhere 在多模态文档记忆的消费效率和成本控制上实现了关键突破。

---

站在 2026 年的今天，我们坚信：非结构化数据不应再是 AI 系统的障碍，而应成为它们生生不息的记忆。从识别文字到构建可导航的文档记忆，这就是我们 Knowhere 正在践行的未来。

站在 2026 年，再看这条线，从 1929 年 Gustav Tauschek 的机械模板匹配装置，到 2026 年 VLM 直接看文档生成结构化知识——将近一个世纪的 OCR 进化史，最终指向了一个朴素但深刻的结论：

我们从来不需要识别文字，我们需要的一直是理解文档。

随着多模态大模型推动 OCR 融入文档智能范畴，一条从文档解析延伸至 Agent 可消费知识基础设施的演变路径也愈发清晰，共同指向了那个宏大的愿景——在 Agent 时代，非结构化数据不再是 AI 系统的障碍，而是成为它的记忆。

也许，这才是 OCR 一个世纪进化的真正终点——不是让机器读文字，而是让机器真正记住文档里的知识。