sycamore - AI文档处理与数据抽取

Sycamore 项目介绍

Sycamore 是一个开源的，人工智能驱动的文档处理引擎，专为ETL（提取、转换、加载）、RAG（检索增强生成）、基于LLM（大规模语言模型）的应用程序和非结构化数据的分析而设计。这个项目能够分割和丰富各种文档类型，包括报告、演示文稿、抄本、手册等等。Sycamore 可以分析复杂的文档，例如包含内嵌表格、图形、图表及其他信息图的PDF和图片。

基本功能

Sycamore 利用 Aryn DocParse（以前称为 Aryn 分区服务）来处理文档。这是一个无服务器的、利用GPU的API，用于分割和标记文档，进行光学字符识别（OCR）、提取表格和图像等。它使用了Aryn最先进的开源深度学习模型 DETR，经过超过80k家企业文档的训练，与其他系统相比，它的数据分块准确性增加了6倍，同时在混合搜索或RAG方面的召回率提高了2倍。

Aryn DocParse 接受各种文档格式并返回JSON格式的分区输出。此外，用户还可以使用 Sycamore 进行进一步的数据提取、丰富、转换、清洗以及加载到数据库中。对于这些转换，用户可以选择使用不同的LLM。

Sycamore 还能够将高质量的数据加载到各种矢量数据库和混合搜索引擎中，包括 OpenSearch、ElasticSearch、Pinecone、DuckDB、Qdrant 和 Weaviate。

框架特色

Sycamore 框架基于一种称为 DocSet 的文档处理抽象构建，提供了强大的高层次Python变换工具用于数据处理、丰富和清洗。DocSet 也包含了可扩展的数据处理技术，可以可靠加载数据块。它的函数式编程方式允许用户快速自定义和实验，以改进RAG的结果质量。

项目功能

与 Aryn DocParse 集成，使用最先进的视觉AI模型进行分段，并保留文档的语义结构
DocSet 抽象能够扩展和可靠地转换和操作非结构化文档
高质量的表格提取、OCR、视觉摘要、和由LLM驱动的用户自定义函数（UDF）及其他高效Python数据变换
快速创建矢量嵌入，用户可以选择使用的AI模型
提供自动数据抓取器支持（例如 Amazon S3 和 HTTP）、用于编写和迭代作业的 Jupyter notebook，以及用于测试的 OpenSearch 混合搜索和 RAG 引擎
可扩展的 Ray 后端

使用指南

Sycamore 目前可以运行在 Linux 和 Mac OS 系统上。用户可以通过运行 pip install sycamore-ai 来安装该项目。此外，Sycamore 提供了通过Python extras连接至矢量数据库的功能，例如，通过 pip install sycamore-ai[duckdb] 安装连接器。

使用 Aryn DocParse 需要注册并获取API密钥。

获取更多信息

用户可以访问以下资源来了解更多关于 Sycamore 项目的信息：

贡献指南

想要为 Sycamore 项目做出贡献的用户可以查看贡献指南，了解更多关于如何参与开发及设置开发环境的信息。

通过这些功能和资源，Sycamore 提供了一个强大的平台来简化和加速复杂的文档处理和分析任务。