Sparrow：企业级文档智能与多智能体工作流开源平台

Sparrow是面向企业场景的API-first开源文档智能平台，核心特点包括：支持本地部署（数据隐私优先）、结合Vision LLM与多智能体工作流、实现发票/报表/表格等复杂文档的结构化数据提取。项目由Katana ML维护，开源于GitHub（链接：https://github.com/katanaml/sparrow），遵循GPL-3.0协议，适合金融、医疗等对数据隐私要求高的行业使用。

背景：传统OCR工具功能单一，云文档API存在数据出境风险，难以满足金融、医疗等行业的隐私合规需求。核心设计：本地化优先（所有推理在自有基础设施完成）、模块化架构（可灵活组合Vision LLM、Text LLM、Agent能力），覆盖从简单提取到复杂决策的全流程。

核心能力：1.结构化数据提取API（定义Schema自动提取JSON）；2.指令处理（自然语言验证如发票金额一致性）；3.多智能体工作流编排（支持复杂业务流程如应付账款处理）；4.多后端支持（MLX、vLLM、Ollama等适配不同硬件）。技术组件：Sparrow ML LLM（API引擎）、Sparrow Parse（Vision LLM库）、Sparrow Agents（工作流）、Sparrow OCR（文本识别）、Sparrow UI（可视化界面）。

1.银行对账单处理：提取银行信息、交易明细、余额汇总等；2.财务报表表格提取：处理跨行/合并单元格，输出标准JSON数组；3.发票处理：提取发票号、金额等字段，支持智能裁剪提高准确率。

部署步骤：克隆仓库→安装依赖→启动API（macOS需额外安装poppler）。命令行示例：使用sparrow.sh提交文档，指定Schema、流水线、模型等参数。支持模型包括Qwen2.5 VL、Mistral等。Web UI功能：拖拽上传、实时结果查看、JSON Schema定义、可视化标注。

企业特性：速率限制、使用分析、商业授权。竞品对比：相比传统OCR（如Tesseract）或云API（AWS Textract），Sparrow优势在于完全本地化、模型可替换、工作流可编程、成本可控；相比LayoutLM等模型，提供更高层抽象，无需微调即可生产使用。

1.硬件要求：Vision LLM需较大GPU显存（如Qwen2.5-VL-72B-4bit模型）；2.文档适应性：对极度复杂/非标准版式（手写、严重畸变）识别率可能下降；3.学习曲线：Agent工作流配置需理解状态管理、错误重试等概念。

Sparrow是文档智能领域的重要演进方向，平衡易用性与灵活性，本地化策略满足隐私需求。建议：技术团队评估文档自动化方案时优先考虑，可作为原型或生产基础设施使用。