Landing AI 是由 AI图像与设计 领域知名学者吴恩达（Andrew Ng）创办的企业级 AI 文档智能平台，核心产品为 Agentic Document Extraction（ADE），提供基于视觉模型的文档解析、拆分、字段提取一整套 REST API，覆盖金融、保险、医疗、法律、物流等高合规要求行业的文档自动化场景。

Landing AI 的深度评测与使用指南

核心参数与统计

参数	值
产品定位	企业级 Agentic Document Extraction（代理式文档提取）平台
产品形态	REST API + Web Playground + Python/TypeScript SDK
创始人	Andrew Ng（吴恩达），Coursera 联合创始人Google Brain 创始人、前百度首席科学家
CEO	Dan Maloney
总部	美国加利福尼亚州 Palo Alto
成立时间	2017 年
核心产品	Agentic Document Extraction（ADE）
许可模式	商业 SaaS + 私有化部署
合规认证	SOC 2 Type II、GDPR、HIPAA（含 BAA）
支持平台	Web、REST API、Python SDK、TypeScript SDK
主要投资者	Snowflake、Insight Partners、Intel Capital、AI Fund、Samsung Catalyst Fund 等
企业客户数	50+
处理文档量	10亿+ 图片与文档
GitHub 组织	@landing-ai（33 仓库）
核心仓库	landing-ai/ade-python（⭐1k+）、landing-ai/vision-agent（⭐5.3k，已弃用）

Landing AI 的核心交付形态为 API，开发者通过 REST 端点Python 或 TypeScript 客户端库调用 ADE 能力。平台同时提供 Web Playground 用于无代码体验。与纯 OCR + LLM 方案不同，ADE 采用视觉模型优先（Vision-first）的架构，对复杂表格、混排文档、扫描件等非结构化数据有更高的解析精度。

用户与市场认可

企业客户矩阵：Landing AI 官网展示了包含 Barclays、Morgan Stanley、ABB、AbbVie、Foxconn、Toyota、Deloitte、Intel、AMD、Qualcomm、Thermo Fisher、Siemens Energy 等在内的数十家全球企业客户，覆盖金融、保险、医疗、能源、法律、制造、物流等多个行业。

标杆案例：

• Autyn（贷款处理）：通过 ADE 将贷款文件处理时间从 2 小时缩短至 2 分钟，准确率达 98%。
• GreenLite（建筑合规审查）：结合 ADE 知识图谱将计划审查时间减少 50%。
• Eolas Medical（健康科技）：基于 ADE 构建 Agentic RAG 引擎，为临床场景提供即时、可验证的支持。
• Fortune 100 金融机构：将 ADE 用于客户尽职调查与监管报告自动化。

社区与开源生态：GitHub 组织 @landing-ai 拥有 33 个公开仓库，核心库 ade-python ⭐1k+，vision-agent（已弃用）⭐5.3k。此外提供 TypeScript SDK（ade-typescript）及多个示例项目、辅助脚本和行业方案模板。

市场定位：与通用型 OCR（如 Tesseract、Google Document AI）或 LLM-based 解析方案相比，ADE 强调视觉模型优先 + 代理编排 + 全可追溯性，在合规从严行业（金融、医疗、法律）具备差异化竞争力。

成本优势

Landing AI 的成本模型分为三层，分别面向不同体量的用户群体：

C 端 / 个人开发者：提供 Explore 按量计费方案，$1 购买 100 Credits，新用户首次获赠 1000 免费 Credits。每次文档处理根据页数消耗 Credits。无需信用卡即可开始试用。适合开发者验证场景的小批量测试。

开发者 / API 调用：Team 方案提供月度 Credits 配额（具体价格需联系销售），支持无限席位、更高频率限制、增强支持。适合已确认使用场景、需要稳定 SLA 与零数据保留（ZDR）选项的团队。

企业 / 私有化部署：Enterprise 方案提供按需付费或年度合同，支持 VPC 部署、本地部署SLA 保证、专属支持HIPAA/BAA 合规与零数据保留。价格需商务沟通，以官方实时报价为准。

隐性成本考量：

• 从通用 OCR 或开源方案迁移至 ADE 存在初期集成与 Schema 定义成本，但可换来更高的解析准确率与更少的后期返工。
• 对于高频大规模文档处理场景，Credits 模式的累计费用需提前评估；官方未公开 Credits 与页面数量的精确兑换比例。
• 企业私有化部署方案的前期合同金额与服务费用未公开，需联系销售获取报价。

主要功能

• Parse（解析）：将可变文档转换为 LLM-ready Markdown 格式，保留布局感知结构，支持文本、表格、图片的分层输出，为每个信息块提供页面坐标级引用坐标。适用于 RAG 管道的文档预处理有节。
• Split（拆分）：自动将包含多类文档的 PDF 文件分割并分类为独立的子文档，支持通过发票号、日期、订单 ID 等重复标识进行实例检测。适合批量处理混装文档的场景。
• Extract（提取）：基于用户定义的 Schema 从文档中提取特定字段，支持平面/嵌套结构与数组/多表提取，自动标注边界框引用坐标，保证审计可追溯性。从贷款审批到合规审查，均可直接输出结构化 JSON。
• Classify（分类）：按业务规则对文档进行分类，配合 Split 可实现完整的文档路由自动化。
• Section（分区）：将文档按语义结构切分为逻辑章节，辅助下游 RAG 或知识管理系统的分块检索。
• Build Schema（构建 Schema）：提供 Schema 定义工具，用户可声明所需提取字段与类型约束，平台据此自动优化提取策略。

隐藏联动效应

ADE 的核心竞争壁垒不在于单个 API 的能力，而在于 Parse → Split → Extract 的端到端协同：Parse 保证文档的布局结构化，Split 解决多文档混合输入的自动分流，Extract 在 Schema 约束下精准获取目标字段——三者共同实现从「原始文档堆」到「可直接录入业务系统的结构化数据」的无缝管道。配合 Confidence Scoring（置信度评分）机制，系统自动标记置信度低于阈值的字段供人工复核，形成闭有质量控制。

模型与版本演进

Landing AI 的产品演进从工业视觉延伸至文档智能，经历了明显的技术路线迁移：

主线发布

• 2017–2024（LandingLens 时代）：公司以工业视觉质检平台 LandingLens 起步，为制造业提供 AI 驱动的表面缺陷检测方案。该阶段积累了视觉模型与数据中台能力，为后续文档 AI 奠定了技术基础。
• ~2025-06：DPT-1：初代文档处理技术栈上线，将视觉模型能力迁移至文档场景，实现基于视觉的文档解析与结构化输出。
• ~2025-12：DPT-2：引入 Agentic 编排能力，支持多步骤文档处理工作流Schema-first 字段提取、文档拆分与分类。
• ~2026-06：DPT-3（当前）：最新架构版本，进一步强化视觉优先解析精度与复杂场景覆盖，完善置信度评分与人工复核闭有。

候选验证

• vision-agent（⭐5.3k）：早期开源视觉 Agent 项目，现已弃用，官方建议迁移至 ADE。
• agentic-doc（⭐2.4k）：ADE 的前身 Python 库，已归档，新项目应使用 landing-ai/ade-python 库。

技术优势

Vision-first（视觉优先）架构：传统 OCR + LLM 方案在处理复杂表格、混排多栏文档时容易丢失布局信息或产生幻觉。ADE 使用自研视觉模型直接从文档图像中提取结构化数据，保留表格层级、图例对应关系等空间上下文，在复杂文档上显著降低错误率。

Data-centric（数据中台驱动）：不同于仅靠模型参数优化来提升精度，ADE 内置反馈回路——失败案例会被捕获、审计并有系统地回流至训练数据，持续减少同类错误的重复发生。这种机制使得企业客户的解析准确率随时间推移呈现趋好的曲线，而非止步于初始部署时的水平。

Agentic by design（代理式编排）：单一解析策略无法覆盖所有文档类型。ADE 采用 Agentic 编排引擎，针对每份文档自动规划、决策并验证，直到达到预设质量阈值。这意味着系统能够自适应地处理从标准化表格到不规则扫描件的不同文档形态，而无需人工配置解析规则。

合规与安全层：SOC 2 Type II、GDPR、HIPAA（含 BAA）认证，支持零数据保留（ZDR）选项，云部署VPC 部署与本地部署三档灵活选择，满足金融、医疗等严监管行业的数据驻留要求。

如何使用

Landing AI 的 ADE 平台提供多种接入方式：

1. Web Playground（无代码体验） 访问 https://ade.landing.ai/home，上传文档即可在线体验 Parse、Extract 等核心功能，零代码即可验证产品效果。适合业务人员与初次评估者。

2. REST API 调用 通过官方 REST API 端点直接集成，支持 Parse（解析）、Extract（提取）、Split（拆分）、Classify（分类）、Section（分区）等独立 API。详细的 API 参考文档位于 https://docs.landing.ai/api-reference/parse/ade-parse。

3. Python SDK 官方提供 ade-python 库（⭐1k+，Apache-2.0 许可），安装方式：

pip install landingai-ade

Python 调用示例（以官方文档为准）：

from landingai_ade import ADEClient

client = ADEClient(api_key="<YOUR_API_KEY>")
result = client.parse(document_path="invoice.pdf")
print(result.markdown)

4. TypeScript SDK 官方提供 ade-typescript 库（⭐30，Apache-2.0 许可）：

npm install @landing-ai/ade

5. API Key 获取 注册 ADE 平台免费账号（https://ade.landing.ai/home）后，可在控制台生成 API Key。首次注册获赠 1000 Credits。

产品定价

Landing AI 采用 Credits 制计费，按文档页数消耗：

方案	目标用户	计费模式	主要特点
Explore	开发者/验证阶段	Pay-as-you-go（$1/100 Credits）	1000 免费 Credits，标准频率限制，Community 支持
Team	团队	月度 Credits 配额（联系销售）	无限席位，更高频率限制，增强支持，可选 ZDR
Enterprise	企业	年度合同（联系销售）	VPC/本地部署，专属支持，SLA，HIPAA/BAA，ZDR

注意事项：

• 以上价格为美国区域标准；欧盟区域价格以官方文档为准。
• 也可通过 AWS Marketplace 购买。
• 企业合同的具体条款（数据保留期限、处理量承诺SLA 赔偿上限）需在合同签署前与法务团队逐条核验。

应用场景

• 金融与保险（贷款审批KYC、监管报告）：自动从银行流水、税单、保单等文档中提取关键字段，将原本数小时的手工录入缩短至数分钟。核验重点：验证 ADE 对表格类财务数据的行列对齐精度与数值型字段的识别准确率。
• 医疗与生命科学（病历管理、临床文档）：将非结构化的病历、处方、实验室报告转化为结构化数据，支撑临床决策支持系统与 RAG 问答。核验重点：确认 HIPAA/BAA 合规已在合同中明确约定，以及 ZDR 选项的实际配置方式。
• 法律与合规（合同审查、尽调文档）：对大量合同、判决书、监管文件进行自动化字段提取与分类，辅助法务团队快速定位关键条款。核验重点：评估 ADE 对法律术语、混排多栏长文档的解析稳定性。
• 物流与供应链（提单、报关单、发票处理）：自动处理货运单据、海关报关单、采购订单等批量文档，加速供应链数据录入。核验重点：测试 Split API 对混合文档包（如同一 PDF 内含发票 + 装箱单 + 提单）的分类准确度。
• RAG 管道预处理：利用 ADE 的 Parse API 将非结构化文档转化为 Markdown 格式，为下游向量数据库提供高质量的分块输入。核验重点：对比 ADE 输出的 Markdown 质量与直接使用 PyMuPDF/Unstructured 等开源工具的差异。

适用人群

• 金融、保险与医疗行业的数据处理团队：面对大量格式不一的扫描件PDF 与报表，ADE 的视觉优先解析与置信度评分机制能显著降低人工复核成本。前置条件：需具备基础 API 集成能力，以及对合规条款（HIPAA、ZDR）的明确需求。
• 企业 IT 与自动化部门：正在构建 Agentic 工作流或 RAG 管道，需要高质量的文档解析中间层。ADE 的 Parse → Split → Extract 流水线可直接嵌入现有自动化体系。前置条件：需评估当前文档处理量与 Credits 模式的成本匹配度。
• B2B SaaS 平台与 ISV 开发商：需要在其产品中嵌入文档解析能力的平台厂商，可利用 ADE 的 API 与 SDK 快速集成。前置条件：需关注 API 频率限制与企业合同的 SLA 保障。
• AI 应用开发者与数据科学家：需要预处理非标准文档用于模型训练或数据管道构建的开发者，ADE 的 Python/TypeScript SDK 提供了低门槛的接入路径。前置条件：1000 免费 Credits 足够完成小规模概念验证。
• 不适用场景：需要纯离线、零成本开源方案的场景（如内部知识库的非高频文档索引）；文档格式高度标准化、解析需求单一、无需审计追溯的场景（此时传统 OCR 工具可能更经济）；对中文文档有强需求且对英文团队支持响应时间敏感的场景（需确认官方对中文文档的支持成熟度）。

总结与展望

Landing AI 的 Agentic Document Extraction 代表了企业级文档智能从「OCR + LLM 拼凑」向「视觉模型优先 + 代理编排 + 端到端可审计」方向演进的一个重要样本。其核心竞争力在于：三位一体的 Parse/Split/Extract 管道实现了从原始文档到结构化数据的一条龙转换，置信度评分与边界框引用为合规审计提供了底层技术保障，而 VPC/本地部署选项则满足了金融、医疗等行业的严格数据驻留要求。

当前限制与不确定项：平台对中文及东亚语种文档的支持深度尚未充分公开；Credits 与页面数量的具体兑换比例未透明化，企业批量采购前需与销售确认详细计费模型；API 频率限制的具体数值未在公开文档中披露，高吞吐场景需进行实际压测验证；私有化部署的起订价格与交付周期仅可通过商务渠道获取。

采购/采用风险评估：建议中大型企业以「试点项目（1–2 个文档类型 + 3 个月）→ 对照验收（以准确率、处理速度、人工复核率为量化指标）→ 阶段性扩展」的节奏推进，避免先行大额合同。合同签署前需重点核验：数据处理与存储的地域条款（特别是 EU 区域客户）、ZDR 的具体实现方式SLA 赔偿上限、以及厂商停止维护或大幅涨价时的数据迁移保障条款。对于纯开源偏好团队或标准化文档处理需求，建议先评估 Tesseract + LLM 等替代方案的 ROI 后再做决策。

相关工具：Midjourney、Stable Diffusion

版本信息

• DPT-3 (ADE Platform) ：DPT-3 是 Landing AI Agentic Document Extraction 平台的最新架构版本，强化了视觉优先的文档解析能力，支持更复杂的表格、多页文档及多语种文档处理。具体发布日期以官方文档为准。 （~2026-06）
• DPT-2 ：引入 Agentic 编排能力，支持多步骤文档处理工作流与 Schema-first 字段提取。暂无官方精确日期。 （~2025-12）
• DPT-1 ：初代文档处理技术栈，基于视觉模型的文档解析与结构化输出能力上线。暂无官方精确日期。 （~2025-06）