数据与分析 document-ai pdf-extraction structured-output etl-pipeline prompt-studio mcp-server django react

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。

源仓库: Zipstack/unstract
Star 数: ★ 7.3k
最近更新: 3 天前
License: AGPL-3.0
主语言: Python
FA 评分: 44/100 · 缺口较多

30 秒速览

运行形态: 自托管服务网页应用MCP 服务器
可在哪里用: 通用 · 跨平台OpenAI API · Claude API
费用: 有免费版，另有付费云服务
上手难度: 中 · 需要几步配置
开始前需要: DockerDocker ComposeGit8GB 内存Shell / 命令行网络访问
典型场景: 金融团队自动从发票、银行对账单中提取数据到数据库。
不适合: 需要完全离线、不调用任何云端 LLM 的团队
只有 8GB 以下内存或无法运行 Docker 的机器
需要开箱即用的 SSO、人工复核与 SLA 保障的团队
源码审查: 44/100 · 缺口较多 2 项安全控制未见

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。

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。

这个 Agent 有哪些优点和局限？

优点

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。

局限

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。

这个 Agent 与同类方案有什么区别？

与相关度最高的同类 agent 并排比较关键指标。

Agent	源码审查	形态 / 费用	Star	最近更新	主语言	完整支持的平台
Unstract 非结构化数据提取平台当前	44 · 缺口较多	自托管服务免费版 + 付费版	★ 7.3k	3 天前	Python	OpenAI API · Claude API
webclaw 网页提取引擎	66 · 存在缺口	命令行工具免费版 + 付费版	★ 2.4k	26 天前	Rust	Codex · Claude Code · OpenAI API · Claude API
Xquik X 数据 API	74 · 存在缺口	云服务 / SaaS付费	★ 214	今天	JavaScript	Codex · Claude Code
Bright Data MCP	64 · 存在缺口	MCP 服务器免费版 + 付费版	★ 2.7k	今天	JavaScript	Claude Code · Claude.ai

FollowAgents 如何评估这个 Agent？

FollowAgents 源码审查 · FARS-2.1

缺口较多

44/ 100 五分制 2.2 / 5

本评测基于 2026年8月11日的源码；此后该项目发布了 20 个正式版本，尚未复审。分数与结论只代表评测时的版本。最近版本 ↓

信任安全 8/29

可靠稳定 6/14

适用触发 10/18

规范维护 10/18

有效结果 7/13

证据核验 3/8

查看各维度的扣分理由

信任安全8 / 29 · 1.4/5

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。

可靠稳定6 / 14 · 2.1/5

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。

适用触发10 / 18 · 2.8/5

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。

规范维护10 / 18 · 2.8/5

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。

有效结果7 / 13 · 2.7/5

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。

证据核验3 / 8 · 1.9/5

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。

风险与缓解建议

源码中未见：执行前用户确认开启或自行加上执行前确认；先在沙箱或测试环境跑通，确认行为后再接入真实数据。
源码中未见：回滚或恢复路径运行前先备份，或在 git 分支、快照上操作，确保改动可以撤销。
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。

证据充分度：低评估于 2026年8月11日审查版本 6b916eac0f42 评估后仓库已有新提交，评分可能未覆盖最新改动

评估证据 README.md LICENSE SECURITY.md pyproject.toml workflows/ci-frontend-lint.yaml workflows/ci-test.yaml tests/__init__.py tests/test_adapter_api.py tests/test_adapter_in_use.py

查看完整评分方法 →

常见问题

Unstract 支持哪些 LLM 提供商？

支持 OpenAI、Azure OpenAI、Anthropic Claude、Google Gemini、AWS Bedrock、Ollama 等，可通过适配器配置。

部署 Unstract 需要什么硬件？

至少 8GB 内存，Docker 和 Docker Compose，Linux 或 macOS（Intel 或 M 系列芯片）。

提取的数据格式是什么？

输出为结构化 JSON，可直接用于数据库或下游应用。

如何处理大量文档？

可以使用 ETL 流水线，从文件夹或云存储批量拉取文档，处理并加载到目标数据库。

是否有免费版本？

Unstract 使用 AGPL-3.0 许可证，开源版可免费使用，但高级功能（如 SSO、人类审查）可能需商业订阅。

Unstract 非结构化数据提取平台

30 秒速览

这个 Agent 能做什么，适合哪些场景？

如何安装或部署这个 Agent？

如何使用这个 Agent？

这个 Agent 有哪些优点和局限？

这个 Agent 与同类方案有什么区别？

FollowAgents 如何评估这个 Agent？

最近版本

常见问题

对比同类 Agent

MCP Agent 横向对比

相关 Agents

webclaw 网页提取引擎

Xquik X 数据 API

Bright Data MCP

Hiring Agent 简历评分器