Databricks 博客：用 ai_extract 与 MLflow Prompt Registry 提升文档抽取准确率
Databricks 博客介绍一套文档抽取准确率改进流程：用 schema 描述承载字段级规则、用全局提示词处理文档级逻辑，并把提示词与 schema 存入 MLflow Prompt Registry 做版本管理，在人工复核的基准数据上评估后再决定是否上线。
核心事实
Databricks 在博客中介绍了一套改进文档抽取准确率的工作流，围绕其 ai_extract 与 MLflow Prompt Registry 展开。文章称，ai_extract 接收三个输入：解析后的文档、JSON schema 和可选的全局指令；schema 负责定义输出字段与字段级规则，全局指令负责跨文档的通用逻辑。作者建议把提示词与 schema 一并存入 MLflow Prompt Registry，通过别名部署或回滚，而不必修改流水线代码。文章还提到，Genie Code for document processing 可自动完成评分、提出修改建议并重跑评估。
背景与影响
文章描述的项目从合作方提交的订单文档中抽取约 40 个结构化字段，涉及数十种 PDF 版式，评审人员在结果进入下游前逐项修正并确认，从而形成人工复核的基准数据。作者举例称，针对 revision 字段的一处小改动把该字段错误大约减少了一半，但全部字段的总抽取错误反而上升了 9%，以此说明单点修复不等于系统改进。文章因此主张：字段规则写进 schema，文档解读规则写进全局提示词，格式归一化交给确定性代码，并在固定基准上比较准确率、覆盖率与多次运行之间的波动，再决定是否提升版本。
限制与来源
上述数字来自 Databricks 博客自述的单个项目，并非独立测评，也未给出可复现的评测细节。文中提到的功能、可用范围与计费方式可能随产品更新而变化，请以 Databricks 官网当前信息为准。本文仅为技术资讯整理，不构成任何采购或投资建议。来源：Databricks 博客，作者 Kristen Drexinger 与 Seshendranath Balla。