На работе часто приходится разбирать десятки PDF — регламенты, отчёты, спецификации. Раньше это занимало полдня: открытие файлов, чтение по диагонали, ручное копирование фрагментов в гугл-док. Теперь есть инструмент, который делает это за минуты.

Что это такое

LiteParse Samples — набор демо-инструментов от LlamaIndex, построенных на основе их парсера документов LiteParse. В комплекте три компонента:

• Parser Comparison — визуальное сравнение LiteParse, PyPDF и PyMuPDF на реальных документах
• Visual Citations — поиск по документам с подсветкой совпадений на изображении страницы
• Research Docs — скилл для Claude Code, анализирующий документы и генерирующий HTML-отчёт с цитатами

Research-docs — это расширение для Claude Code. Устанавливается одной командой и работает локально.

Как работает research-docs

Ключевая особенность — цитаты с визуальной привязкой к исходному документу. Это не просто «страница 5 документа X». Это интерактивная ссылка, которая показывает точное место на странице PDF, обведённое рамкой. В отчёте можно открыть встроенный просмотрщик и проверить, откуда взята информация.

Для работы с юридическими, финансовыми или регуляторными документами это критично. Галлюцинации недопустимы, а возможность мгновенно проверить каждый факт по источнику решает эту проблему.

Установка простая — одна команда в терминале. После этого в Claude Code появляется слэш-команда. Указываете папку с документами и задаёте вопрос — получаете готовый HTML-отчёт.

Поддерживаемые форматы

LiteParse работает с:

• PDF (основной формат)
• DOCX (Word)
• PPTX (PowerPoint)
• XLSX (Excel)
• Изображениями (через OCR)
• Plaintext

Можно загрузить микс из PDF, Word-документов и Excel-таблиц и задать вопрос по всей коллекции. Например: «Найди противоречия между договором и спецификацией».

Parser Comparison — зачем это нужно

В комплекте — визуальное сравнение парсеров на реальных документах (FDIC, Federal Reserve, CMS, IRS, WHO). Слева — исходный PDF, справа — текст, извлечённый каждым инструментом.

Цель — показать, где PyPDF теряет таблицы, где PyMuPDF путает колонки, и как LiteParse справляется лучше. Для тех, кто выбирает парсер для своего пайплайна, это полезная демонстрация. Достаточно открыть comparison/output/comparison.html в браузере.

На сложных таблицах и многоколоночных макетах LiteParse заметно выигрывает. На простых текстовых PDF все три парсера работают одинаково.

Visual Citations — поиск с подсветкой

Отдельная демка: вводите ключевое слово — система показывает все его вхождения в документах с bounding box’ами на изображении страницы. Это точное совпадение, а не семантический поиск. Но для быстрой навигации по объёмным документам — очень удобно.

Пример: прислали 500-страничный регламент, нужно найти все упоминания «персональные данные». Visual Citations покажет каждое вхождение с контекстом и точной привязкой к странице.

Что внутри: LiteParse

LiteParse — локальный парсер от LlamaIndex. Данные не уходят наружу, что важно для конфиденциальных документов. Главное отличие от PyPDF и PyMuPDF — сохранение координат каждого текстового элемента на странице. Благодаря этому работают визуальные цитаты.

LiteParse — model-free парсер. Не использует машинное обучение для извлечения текста (в отличие от Unstructured или Amazon Textract). Плюсы: быстро, стабильно, не требует GPU. Минус: хуже справляется с рукописными текстами и низкокачественными сканами.

Ограничения

Нужен Claude Code. Research-docs — это скилл для Claude Code, а не самостоятельный инструмент. Без Claude Code не работает. Однако LiteParse и Visual Citations можно использовать отдельно на чистом Python.

Качество зависит от модели. Скилл использует Claude для анализа. На простых вопросах («какая сумма на стр. 3?») отвечает точно. На сложных аналитических задачах возможны ошибки — и тут цитаты особенно важны для проверки.

Стоимость. Каждый запрос расходует токены Claude Code. Анализ 30 документов с развёрнутым вопросом может стоить $5–10. Это не бесплатное решение.

Точное совпадение, не семантика. Visual Citations ищет только точные вхождения, а не схожие по смыслу. Для полноценного RAG-пайплайна нужна отдельная настройка.

Кому подойдёт

• Юристам и аналитикам, работающим с большими пакетами документов
• Разработчикам, строящим RAG-системы и ищущим надёжный парсер
• Студентам, которым нужно быстро разобрать десятки статей
• Всем, кто устал терять время на ручной анализ PDF

У меня на работе периодически прилетает задача: «вот тебе 30 PDF, разберись и сделай отчёт». Регламенты, отчёты, спецификации — всё в разных форматах, всё нужно было вчера. Раньше я открывал каждый файл, читал по диагонали, копировал куски в гугл-док. Занимало это полдня минимум.

На прошлой неделе наткнулся на research-docs — Claude Code скилл от LlamaIndex, который делает ровно это: берёт папку с документами, парсит их, отвечает на ваши вопросы и генерирует HTML-отчёт с цитатами, указывающими на конкретное место в оригинальном документе. С bounding box’ами прямо на странице PDF.

Разберу, как это устроено и стоит ли тащить в рабочий процесс.

Что это такое

LiteParse Samples — это набор демо от LlamaIndex, построенных вокруг LiteParse (их парсер документов). Внутри три инструмента:

• Parser Comparison— визуальное сравнение LiteParse, PyPDF и PyMuPDF на реальных документах
• Visual Citations— поиск по распарсенным документам с подсветкой совпадений прямо на изображении страницы
• Research Docs— то, ради чего мы здесь: Claude Code скилл, который анализирует документы и генерирует отчёт с цитатами

Research-docs — это скилл, то есть расширение для Claude Code. Устанавливается одной командой, работает локально.

Как работает research-docs

Ключевой момент —цитаты с визуальной привязкой. Это не просто «по данным документа X, стр. 5». Это интерактивная ссылка, которая показывает конкретное место на конкретной странице PDF, обведённое рамкой. Можно открыть PDF-просмотрщик прямо в отчёте и убедиться, что нейросеть не выдумала цифру.

Для тех, кто работает с юридическими документами, финансовыми отчётами или регуляторикой — это критически важно. Галлюцинации в таких контекстах недопустимы, и возможность за секунду проверить каждый факт по источнику решает проблему.

Одна команда:

Или вручную — скопировать папкуresearch_docsв~/.claude/skills/research-docs.

После этого в Claude Code появляется слэш-команда:

Указываете папку с документами и вопрос — получаете HTML-отчёт.

Какие форматы поддерживает

LiteParse парсит:

• PDF (основной формат)
• DOCX (Word)
• PPTX (PowerPoint)
• XLSX (Excel)
• Изображения (через OCR)
• Plaintext

То есть можно закинуть в папку микс из PDF-отчётов, Word-договоров и Excel-таблиц — и задать вопрос по всей совокупности. «Найди противоречия между договором и спецификацией» — вот такие запросы становятся реальными.

Parser Comparison — зачем это в наборе

LiteParse Samples включает визуальное сравнение трёх парсеров на реальных государственных документах (FDIC, Federal Reserve, CMS, IRS, WHO). Слева — оригинальный PDF, справа — текст, извлечённый каждым парсером.

Зачем это: чтобы вы сами увидели, где PyPDF теряет таблицы, где PyMuPDF путает колонки, и насколько LiteParse справляется лучше. Для тех, кто выбирает парсер для своего пайплайна — полезная демка. Открываетеcomparison/output/comparison.htmlв браузере и сравниваете.

Спойлер: на сложных таблицах и многоколоночных раскладках разница заметна. На простом текстовом PDF — все три справляются одинаково.

Visual Citations — поиск с подсветкой

Отдельная демка: вводите ключевое слово, и система показывает, где именно оно встречается в документах — с bounding box’ом на изображении страницы. Это простой substring match, не семантический поиск. Но для быстрой навигации по большому объёму документов — удобно.

Практический сценарий: вам прислали 500-страничный регламент, нужно найти все упоминания «персональные данные». Visual Citations покажет каждое вхождение с контекстом и визуальной привязкой к странице.

Что внутри: LiteParse

LiteParse — парсер от LlamaIndex. Работает локально, не отправляет данные наружу (что важно для конфиденциальных документов). Ключевое отличие от PyPDF/PyMuPDF — LiteParse сохраняет координаты каждого текстового элемента на странице. Поэтому и работают bounding box’ы в цитатах.

Это model-free парсер — не использует ML для извлечения текста (в отличие от, например, Unstructured или Amazon Textract). Плюс: быстро, стабильно, не нужен GPU. Минус: на рукописных документах или сканах с плохим качеством будет хуже, чем ML-решения.

Ограничения

Claude Code нужен.Research-docs — это скилл для Claude Code, а не standalone-инструмент. Если вы не пользуетесь Claude Code — этот конкретный инструмент вам не подходит. Но LiteParse + Visual Citations работают отдельно, на чистом Python.

Качество ответа зависит от модели.Скилл использует Claude для анализа — и качество зависит от того, насколько хорошо модель поняла контекст. На простых вопросах («какая сумма на стр. 3?») работает точно. На сложных аналитических запросах — может промахнуться, и тут цитаты особенно важны для проверки.

Стоимость.Каждый вызов — это токены Claude Code. Анализ 30 документов с длинным вопросом может стоить $5-10. Это не бесплатно.

Substring match, не семантический поиск.Visual Citations ищет точные совпадения, не «похожие по смыслу». Для полноценного RAG нужен отдельный пайплайн.

Как воспроизвести на своих данных

docs.json— конфиг, где указываете файлы, страницы и описания:

Кому пригодится

• Юристам и аналитикам, которые работают с большими пакетами документов
• Разработчикам, которые строят RAG-пайплайны и ищут хороший парсер
• Студентам, которым нужно быстро разобраться в 20 статьях для курсовой
• Всем, кто устал читать PDF по диагонали и пропускать важное

Репозиторий:github.com/jerryjliu/liteparse_samples

Как вы работаете с большими объёмами документов? Есть ли инструменты, которые реально ускоряют процесс, а не создают иллюзию ускорения?