# PDF 解析档位差价 25 倍，什么时候值得多花钱？

> LlamaParse 的 Fast 档处理纯文本就够了，含合并单元格的表格得用更高档位。

原文: https://fdetimes.net/zh/tools/llamaparse-tiers-pricing-hard-pdfs/

设想客户交给你一份财务报告，其中营收表的“Q3”表头是一个横跨三列的合并单元格。如果解析器把这张表压平成管道表格，合并单元格就会消失。之后，你的 RAG 聊天机器人回答得很流畅，却把数字对到了错误的列上。

这个例子说明，错误答案可能在第一步就埋下了：模型和向量库还没介入，问题已经出在 PDF 转文本这一环。

LlamaParse 是专门为这一步打造的工具之一。对前线部署工程师（FDE）来说，真正该问的不是用不用它，而是哪类文档用哪个档位。

## LlamaParse 到底是什么？

LlamaParse 是 LlamaIndex 团队运营的托管文档平台，是 LlamaCloud 的新名字，但 `llama-cloud` 包、客户端和环境变量仍沿用旧名。细节虽小，可一旦文档写的是一个名字、代码导入的是另一个，很容易白白耗掉半个上午。

在这个平台上，Parse 是面向 LLM 数据管道的文档解析产品。它接收 PDF、扫描件、表格和图表，返回 markdown、文本或 JSON。

文档称 Parse 支持 130 多种文件类型，包括 Office、HTML、图片和 EPUB。LlamaIndex 于 2024 年 3 月 13 日发布 LlamaParse，并将 JSON 模式定位为自建 RAG 策略的输入。

该公司的营销页面称 LlamaParse 能处理手写、复选框、图表和复杂版式。这是厂商自己的说法，在向任何人承诺之前，先用客户的真实文档验证。

## 四个档位，价差 25 倍

Parse 有四个档位。Fast 最便宜也最快，面向大批量的纯文本文档。Fast 不调用任何 AI 模型，因此自定义提示词、表单和图表提取都不适用。文档称 Agentic 适合作为大多数工作负载的默认选择，Agentic Plus 则用于最难的文档。

根据官方价目表，每页在 Fast 上收 1 个 credit，Cost-effective 收 3 个，Agentic 收 10 个，Agentic Plus 收 25 个。开启版式提取后，无论哪个档位，每页都要再加 3 个 credit。

按量付费方案每 1,000 个 credit 收费 1.50 美元，免费方案每月提供 10,000 个 credit。Pro 方案每月 500 美元，含 400,000 个 credit，超出部分按每 1,000 个 credit 1.25 美元计费。

举个例子：客户有 20,000 页合同和报告。全部用 Fast，消耗 20,000 个 credit，按量付费约 30 美元；全部用 Agentic，消耗 200,000 个 credit，约 300 美元；Agentic Plus 消耗 500,000 个 credit，约 750 美元。

到了 500,000 个 credit，Pro 方案更便宜：前 400,000 个 credit 500 美元，剩下 100,000 个 125 美元，合计约 625 美元。简单算一下就知道，如果客户的用量每月都有、且超过约 333,000 个 credit，Pro 就比按量付费便宜，所以报价里要把两种方案都列出来。

真正要记住的是数字之间的差距。整个语料库只用一个档位，就意味着连最简单的页面也要按最难页面的价格付费。

**要点:** 不要按客户最简单的文档选解析器，要按最难的那一页来选。

## 先测难页，再定档位

文档建议按表格难度选档位：简单表格用 `cost_effective`，密集的财务报告和复杂表格用 `agentic_plus`。在客户现场，一个实用的做法是把文档语料分组，比如邮件和纯文本、多页合同、财务附录。第一组用 Fast，最后一组用 Agentic Plus。

分组要有依据，就得抽样。挑出大约 20 页最难的页面，分别用 Fast、Agentic 和 Agentic Plus 跑一遍，再和原件对照。这次测试消耗 20 × (1 + 10 + 25) = 720 个 credit，不到免费方案每月 10,000 个 credit 的十分之一，客户签约前就能做完。

对照时直接看表格。Parse 会保留单元格结构，并可以把表格输出为 HTML，因为按文档的说法，管道表格虽然更简单，却无法表示合并单元格。如果客户的表格里有合并单元格，就要求输出 HTML，并专门针对这些单元格重新检查 RAG 的回答。

## 哪些错误最容易毁掉报价？

最常见的错误是按 Fast 报价，却承诺能读图表。Fast 不调用任何 AI 模型，图表、表单和自定义提示词都超出它的能力；如果需要这些功能，报价一开始就要按更高档位来算。

第二个错误藏在表格里：忘了版式提取每页加收的 3 个 credit。在 Fast 上，这笔附加费让每页成本从 1 个 credit 变成 4 个，是报价数字的四倍。

第三个错误是把营销说法当成已验证的规格。读取手写或复选框的能力是厂商自述，只有在客户真实文档上测过之后，才能写进方案。

还有一个问题与技术无关。这是托管平台，所以必须问客户的安全团队：文档到底能不能发往外部服务。这个问题应该在第一次需求调研时就提出，而不是拖到第三周。

## 应该先学什么？

先学会评估解析输出，再学 API。准备一小组问题，每个问题的答案都只取决于表格中的某一个单元格，就能判断解析器是否保住了数据。这项技能适用于所有工具，不只是 LlamaParse。

看 FDE 招聘启事时，“document ingestion”或“unstructured data”这类字眼说明这个岗位恰好要处理这个问题。写简历时，别只写“搭建了 RAG”，要写清楚你按难度给文档语料分组，为每组选定解析档位，并在选择前后测量了表格准确率。

客户很少记得你用了哪个解析器，他们记得的是答案里的数字有没有落在正确的列上。

**本周动手试试:**

- 向客户要 20 页最难的页面，包括合并单元格表格、扫描件和图表，然后用免费方案每月 10,000 个 credit，把同一批页面分别交给 Fast、Agentic 和 Agentic Plus 解析。
- 写 10 个必须读准表格中某一个单元格才能答对的问题，然后统计每个档位的输出能答对几个。
- 做一张成本估算表：每月页数乘以所选档位的每页 credit，如果开启版式提取，每页再加 3 个 credit。

## 信源

- [LlamaParse (formerly LlamaCloud) | Developer Documentation](https://developers.llamaindex.ai/python/framework/llama_cloud/)

- [Overview of Parse | Developer Documentation](https://developers.llamaindex.ai/python/cloud/llamaparse/overview)

- [Parse Getting Started | LlamaParse Developer Documentation](https://developers.llamaindex.ai/llamaparse/parse/getting_started/index.md)

- [LlamaIndex Pricing](https://www.llamaindex.ai/pricing)

- [Tables | Developer Documentation](https://developers.llamaindex.ai/llamaparse/parse/features/tables/)

- [Launching the first GenAI-native document parsing platform](https://www.llamaindex.ai/blog/launching-the-first-genai-native-document-parsing-platform)

- [AI Parsing Tool for AI-Ready Document Data | LlamaIndex](https://www.llamaindex.ai/llamaparse)
