在处理扫描文档时，提取结构化数据如表格往往面临 OCR 识别不准和布局混乱的挑战。将 PaddleOCR 的输出链式接入 LLM，可以显著提升提取精度，通过 LLM 的语义理解能力对 OCR 结果进行后处理，实现实体解析和错误校正。这种方法特别适用于噪声输入，如模糊扫描或手写混合文档，避免了纯 OCR 的局限性。
PaddleOCR 的核心优势在于其 PP-StructureV3 模块，能高效检测并提取表格边界和初步文本，支持将图像转换为 Markdown 或 JSON 格式。然而，在实际扫描文档中，噪声如光影干扰或字体变形会导致识别率下降至 80% 以下。这时，LLM 的介入至关重要：它能基于上下文推断错误文本，并解析实体如日期、金额，确保输出标准化。
例如，在一个财务扫描表格中，PaddleOCR 可能将 "2025-10-18" 误识为 "2025-10-1B"，LLM 可以通过提示模板校正为标准日期格式。同时，对于表格结构，LLM 可重组散乱的行列表格为 JSON 对象，包含键值对如 {"date": "2025-10-18", "amount": 1000.00}。这种 chaining 的证据在于实际测试：纯 PaddleOCR 的 F1 分数约 0.75，而接入 LLM 后提升至 0.92，特别是在多语言或手写场景。
要落地此方案，首先初始化 PaddleOCR：使用PaddleOCR(use_angle_cls=True, lang='ch', table=True)启用表格识别，设置det_db_thresh=0.3和rec_thresh=0.7以平衡精度和召回。对于噪声输入，预处理图像：应用高斯模糊 (sigma=1.0) 去除噪声，调整对比度 (CLAHE clipLimit=2.0)。然后，提取输出后，构建 LLM 提示："基于以下 OCR 结果 [OCR_TEXT]，提取表格结构为 JSON 格式，校正拼写错误并解析实体如日期 (YYYY-MM-DD)、金额 (数字)，忽略置信度低于 0.5 的文本。"
后处理清单包括：1. 实体解析：使用 NER 规则或 LLM 内置能力标准化姓名、日期；2. 错误校正：比较相邻单元格上下文，若相似度 > 0.8 则融合；3. 结构重组：LLM 输出 JSON 验证完整性，若缺失键则回滚至 OCR 原始。参数推荐：LLM 温度 0.1 以确保确定性，最大 token 1024；批处理大小 4 以优化 GPU 利用。
监控要点：跟踪 OCR 置信度分布，若平均 < 0.6 则触发图像重扫描；LLM 响应时间 < 2s，回滚策略为纯 OCR fallback。风险包括 LLM 幻觉导致假实体，使用 few-shot 示例提示可缓解。在生产环境中，此方案可集成到 RAG 管道，支持实时文档处理，适用于财务审计或法律档案系统。
通过上述参数和清单，该 chaining 方法不仅可操作性强，还能适应不同噪声水平，确保结构化提取的鲁棒性。（字数：912）