Unstract 非结构化数据提取平台
用 LLM 将 PDF、图片等非结构化文档转化为结构化 JSON，可部署为 API 或 ETL 流水线。
证据显示：README 提到加密密钥用于加密适配器凭据，测试验证了元数据加密存储（adapter_metadata_b），表明对敏感数据处理有基本考虑。但缺少用户确认机制、数据流透明性描述有限、依赖安全仅通过 CI 和 lint 间接体现，外部影响（如 Posthog 分析）有提及但未深入，回滚机制未提及，来源归属仅通过 README 中的 Zipstack 品牌，但发布者未验证。扣分原因：用户确认缺失，数据流透明性不足，依赖安全证据薄弱，外部影响描述不完整，回滚缺失，来源归属仅基于品牌。
证据显示：项目有详细的 CI 测试流程（单元、集成、端到端），测试文件覆盖关键路径，表明内部一致性较好。但依赖可用性仅通过 Docker 镜像和外部服务（如 LLM 提供商）间接体现，失败消息未在文档中明确说明。扣分原因：依赖可用性证据不足，失败消息文档缺失。
证据显示：README 明确目标受众（金融、保险、医疗等），提供多种部署方式（本地、Docker、云），支持多种 LLM 提供商和向量数据库，环境适配良好。但触发精度（如 API 端点、ETL 触发条件）未详细说明，能力边界（如支持的文档类型、限制）部分提及但不完整。扣分原因：触发精度描述不足，能力边界不完整。
证据显示：README 结构清晰，提供安装说明（run-platform.sh），有示例和 cookbook，许可证为 AGPL-3.0，维护责任通过贡献指南和社区渠道体现。但命名稳定性未明确，已知限制未单独列出，版本变更日志未提供。扣分原因：命名稳定性未说明，已知限制缺失，版本变更日志缺失。
证据显示：输出为结构化 JSON，可直接用于数据库，边际价值通过对比表体现，但成本效益未量化，仅提及企业版功能。扣分原因：成本效益缺乏具体数据。
证据显示：README 中的声明（如支持格式、提供商）有文档链接，但未提供独立验证来源，事实与推断未明确区分。扣分原因：声明可追溯性有限，交叉验证不足，事实与推断分离不清晰。
- 发布者身份未验证，应谨慎对待品牌声明。
- 默认凭据（用户名/密码 unstract/unstract）存在安全风险，部署后应立即更改。
- Posthog 分析默认启用，需确认是否符合隐私要求。
- 加密密钥管理不当可能导致适配器凭据丢失。
这个 Agent 能做什么，适合哪些场景？
Unstract 是一个开源平台，利用 LLM 从文档中提取结构化 JSON。它提供 Prompt Studio 用自然语言定义提取模式，支持通过 REST API 部署，也能作为 ETL 流水线处理文件夹中的文档并加载到数据仓库。平台包含 React 前端、Django 后端、Celery 工作进程和 FastAPI 平台服务，依赖 PostgreSQL、Redis 和 RabbitMQ。它内置多种 LLM、向量数据库和文本提取器适配器（如 OpenAI、Anthropic、Qdrant、LLMWhisperer），并支持 MCP 服务器和 n8n 节点集成。采用 AGPL-3.0 许可证，可通过 Docker 快速部署。
Unstract 通过一个完整的平台执行文档提取：用户通过前端 Prompt Studio 用自然语言定义提取模式（如字段、格式）；系统调用所选 LLM 处理器（OpenAI、Anthropic、Bedrock 等）对上传的 PDF、图片等文件进行解析；提取结果以 JSON 格式返回。部署方式包括 API 部署（通过 REST API 发送文档，返回 JSON）和 ETL 流水线（从 AWS S3、SFTP 等源拉取文档，处理后加载到 Snowflake、BigQuery 等目的地）。还提供 MCP 服务器供 Claude 等 AI 代理连接，以及 n8n 节点用于自动化流程。后端组件包括 Django API、Celery worker 和 FastAPI 平台服务，并支持文本提取器（如 LLMWhisperer、Unstructured.io）进行 OCR 和文本预处理。
- 金融团队自动从发票、银行对账单中提取数据到数据库。
- 保险理赔部门从 PDF 理赔单中提取结构化信息。
- 医疗机构处理患者表格和医疗记录。
- KYC/合规人员从证件中提取身份信息。
- 数据工程师构建 ETL 流水线，将大量非结构化文件导入数据仓库。
- AI 开发者通过 MCP 服务器让 Claude 等助手直接读取文档并结构化输出。
这个 Agent 有哪些优点和局限？
- 无代码提取模式定义，通过 Prompt Studio 用自然语言即可创建，降低开发成本。
- 支持多 LLM 提供商（OpenAI、Anthropic、Bedrock、Ollama 等），可自由切换，避免供应商锁定。
- 提供 API、ETL、MCP Server、n8n 节点多种部署集成方式，灵活适配不同工作流。
- 支持多种文档格式（PDF、DOCX、图片、表格等），覆盖常见非结构化数据。
- 可自托管，通过 Docker 一键部署，数据隐私可控。
- 依赖 Docker 环境和至少 8GB 内存，资源需求较高。
- 默认凭据（unstract/unstract）存在安全风险，需及时修改。
- 部分高级功能（如人类审查、SSO）为商业版功能，开源版可能限制。
- LLM API 调用会产生 token 成本，且大规模处理可能增加费用。
- 社区和支持依赖开源社区，相比商业产品可能缺少保障。
如何安装或部署这个 Agent？
- 系统要求：Linux 或 macOS，Docker 和 Docker Compose，至少 8GB 内存，Git。
- 克隆仓库并启动：
git clone https://github.com/Zipstack/unstract.git
cd unstract
./run-platform.sh- 访问 http://frontend.unstract.localhost，使用默认账号
unstract/unstract登录。
可通过脚本参数指定版本、构建镜像、更新等，例如 ./run-platform.sh -v v0.1.0 或 -u 升级。
如何使用这个 Agent？
- 登录后，使用 Prompt Studio 创建提取项目，用自然语言定义要提取的字段和格式。
- 在 API Deployment 中，通过 REST API 发送文档，接收 JSON 响应。
- 或配置 ETL Pipeline，设置源和目标（如 S3 到 Snowflake），自动处理文档。
- 可选：配置 MCP 服务器，让 AI 代理通过模型上下文协议调用；或集成 n8n 节点到自动化工作流。
- 适配器配置：在平台设置中配置 LLM 提供商（如 OpenAI）和向量数据库。