PACE：基于 Agent 自动化实现自适应出版商内容提取

arXiv:2608.27466v1 Announce Type: new Abstract: 网页内容提取是可靠 LLM 数据 pipeline 的关键环节，然而现有方法往往难以同时满足准确性、可扩展性和适应性。通用提取器适用范围广，但在出版商特定版式以及更丰富的提取目标（如元数据、图片和表格）上表现脆弱。基于 LLM 的直接提取灵活性更高，但大规模部署时会产生高昂的成本和延迟；而人工编写的出版商专用解析器虽能达到高准确率，却需要大量人力投入来构建和维护。 我们推出 PACE，一个 agentic 框架，用于从代表性页面和用户需求中学习出版商专用的提取配置。训练阶段，PACE 利用 LLM 分析页面结构并聚合可复用的提取模式。推理阶段，学习到的配置实例化为固定的确定性提取器模板，无需额外调用 LLM 即可实现可扩展的提取。 覆盖正文、元数据和多模态提取的实验表明，PACE 优于可扩展的非人工基线，同时接近人工编写的出版商专用解析器的质量。PACE 在文章文本、元数据、图片和表格的提取上表现更强，证明 agentic 配置学习能够自动化出版商专用提取，为 LLM 就绪的页面表征提供超越文章文本的提取能力。