LlamaParse هي واجهة برمجة تطبيقات سحابية لتحليل المستندات من LlamaIndex مخصصة لمسارات RAG. تقوم بتحويل ملفات PDF وDOCX وPPTX وأكثر من 130 تنسيقًا آخر إلى تنسيق markdown أو JSON جاهز لنماذج اللغات الكبيرة (LLM) مع استخراج الجداول والمخططات والصور. تتضمن الباقة المجانية 10,000 رصيد شهريًا.
LlamaParse هي واجهة برمجة تطبيقات (API) احتكارية لتحليل المستندات من LlamaIndex، صُممت خصيصًا لتحويل ملفات PDF ومستندات الأعمال المعقدة إلى نصوص منظمة ونظيفة يمكن لنماذج اللغات استخدامها فعليًا. طورتها شركة run-llama (التي شارك في تأسيسها Jerry Liu و Simon Suo في سان فرانسيسكو)، وأُطلقت في إصدار تجريبي عام في 20 فبراير 2024، جنبًا إلى جنب مع منصة LlamaCloud، ووصلت إلى التوفر العام في مارس 2025 بعد جمع 19 مليون دولار في جولة تمويل من الفئة أ (Series A). المشكلة الأساسية التي تحلها هي الفجوة بين مظهر المستندات وكيفية احتياج نماذج اللغات الكبيرة (LLMs) للبيانات: فملفات PDF الخام التي تحتوي على جداول مضمنة، وتخطيطات متعددة الأعمدة، ومخططات، وهوامش سفلية، عادةً ما تُفشل عمليات استخراج النصوص البسيطة، وهنا تطبق LlamaParse نماذج الرؤية واللغة للحفاظ على تلك البنية في المخرجات.
تتعامل واجهة برمجة التطبيقات مع أكثر من 130 تنسيقًا للملفات بما في ذلك PDF وDOCX وPPTX وXLSX وHTML والصور الممسوحة ضوئيًا. وتقدم النتائج بتنسيق markdown يراعي التخطيط، أو نص عادي، أو JSON مع مخططات استخراج مخصصة، أو نص مكاني مع بيانات الإحداثيات. تتيح أربعة مستويات للتحليل للفرق الموازنة بين التكلفة والدقة: Fast (رصيد واحد/صفحة للمستندات النصية العادية)، وCost Effective (3 أرصدة/صفحة لأعباء العمل القياسية)، وAgentic (10 أرصدة/صفحة للتخطيطات المعقدة)، وAgentic Plus (45 رصيدًا/صفحة للحصول على أقصى دقة باستخدام GPT-4.1 أو Gemini 2.5 Pro). توفر الباقة المجانية 10,000 رصيد شهريًا، وهو ما يكفي لتحليل حوالي 3,300 صفحة في مستوى Cost Effective أو 1,000 صفحة في مستوى Agentic دون إنفاق أي شيء. وإلى جانب إطار عمل LlamaIndex الخاص بها، تتصل LlamaParse بسلاسة مع حزم RAG المبنية على أدوات مثل Pinecone وWeaviate وAnythingLLM.
ما الذي تقدمه LlamaParse فعليًا في مايو 2026
بسطت LlamaParse V2، التي صدرت في 18 ديسمبر 2025، نظام التكوين بأكمله بعد أن أظهرت أبحاث المستخدمين أن الواجهة الأصلية المليئة بالمعلمات كانت تثقل كاهل الفرق الهندسية. استبدل النظام المكون من أربعة مستويات ما كان عبارة عن متاهة من أوضاع التحليل، واختيارات مزودي LLM، وعشرات المفاتيح الاختيارية. يمكن للفرق التي أطلقت منتجاتها بالفعل في بيئة الإنتاج الآن تثبيت عملية التحليل الخاصة بها على سلوك نموذج لتاريخ محدد باستخدام تنسيق YYYY-MM-DD، بحيث لا يؤدي تحديث النموذج إلى تغيير بنية المخرجات بصمت في منتصف مسار العمل.
أضاف تحديث مايو 2025 ميزة الاكتشاف التلقائي للاتجاه والانحراف: حيث يتم تصحيح المستندات الممسوحة ضوئيًا بزاوية 90 أو 180 أو 270 درجة تلقائيًا، كما يتم التعامل مع إمالات الصفحة الطفيفة التي تتراوح بين 1 و 12 درجة. تحمل كل صفحة تم تحليلها الآن درجة ثقة من 0 إلى 1 تقارن عدد الأحرف وتداخل الكلمات للصفحات المليئة بالنصوص أو تُجري تحليل التعرف الضوئي على الحروف (OCR) للصفحات المليئة بالصور. يمكن للفرق تعيين حد page_error_tolerance وتحديد ما إذا كانت الصفحات الفاشلة ستُرجع نصًا احتياطيًا خامًا، أو صفحة فارغة، أو رسالة خطأ.
إلى جانب التحليل، تغطي LlamaParse مساحة استخراج متزايدة الاتساع. يقبل منتج Extract مخطط JSON محددًا باللغة الطبيعية ويملأه من محتوى المستند تلقائيًا، مما يحل محل إدخال البيانات اليدوي. يمكن لـ Classify و Split توجيه المستندات إلى فئات مصنفة وتقسيم ملفات PDF المدمجة. يتعامل Sheets مع استيعاب ملفات Excel وجداول البيانات. يوفر Index مسار بحث متجهي مستضاف يُدار من خلال لوحة تحكم LlamaCloud. تشترك جميع المنتجات الستة في مفتاح API واحد وحساب فوترة واحد.
يتم الوصول من خلال حزمة تطوير برمجيات Python (pip install llama-cloud>=2.1)، أو حزمة تطوير برمجيات TypeScript/Node، أو واجهة برمجة تطبيقات REST، أو مباشرة من واجهة مستخدم الويب. تعمل واجهة برمجة التطبيقات أيضًا كمهارة وكيل داخل AnythingLLM و Claude Code و Cursor، بحيث يمكن للمطورين تشغيل تحليل المستندات من داخل حلقات الوكيل الحالية الخاصة بهم دون خطوة تكامل منفصلة. بالنسبة للفرق التي تستخدم بالفعل LangChain أو Firecrawl، تندمج مخرجات LlamaParse في مسارات العمل الحالية دون الحاجة إلى طبقة ترجمة للتنسيق.
موقع LlamaParse مقارنة بـ Reducto و Unstructured.io
يُعد Reducto و Unstructured.io البديلين الأكثر صلة، وهما يقاربان تحليل المستندات من زوايا مختلفة تمامًا.
يستخدم Reducto بنية تصحيح متعددة التمريرات: حيث تقوم الرؤية الحاسوبية بتقسيم التخطيط، ويقرأ التعرف الضوئي على الحروف (OCR) النص، ويضيف نموذج الرؤية واللغة تفسيرًا سياقيًا، ثم تعيد حلقة Agentic OCR الاحتكارية فحص مخرجات OCR خصيصًا لاكتشاف الأخطاء وإصلاحها. خطوة التصحيح الذاتي هذه هي الاختلاف الميكانيكي الرئيسي. يدعي معيار RD-TableBench الخاص بـ Reducto دقة تحليل أعلى بنسبة تصل إلى 20% في مستندات العالم الحقيقي التي تحتوي على جداول معقدة أو مدمجة أو مستديرة. وهو يدعم أكثر من 100 لغة مقابل تغطية LlamaParse الأضيق، ويحمل شهادتي SOC 2 و HIPAA، ويوفر النشر المحلي دون الحاجة إلى عقد مؤسسي. تكمن المقايضة في التكلفة وإمكانية الوصول: لا يمتلك Reducto باقة مجانية عامة ويستهدف في المقام الأول فرق المؤسسات ذات متطلبات الدقة العالية المخاطر، مثل شركات الخدمات المالية التي تحلل جداول 10-K الكثيفة.
يتخذ Unstructured.io مسارًا معماريًا مختلفًا تمامًا. فمخرجاته ليست بتنسيق markdown جاهز لنماذج LLM افتراضيًا؛ بل يقوم بتسمية عناصر المستند دلاليًا (title، narrative_text، table، image، إلخ) حتى يتمكن المطورون من كتابة منطق التقسيم الخاص بهم بناءً على نوع العنصر. تأتي المنصة مزودة بأكثر من 71 موصلًا مدمجًا مسبقًا تشمل التخزين السحابي وقواعد البيانات ومخازن المتجهات. ويدعي نشر البرمجيات كخدمة (SaaS) الخاص به إنتاجية تزيد عن 15 مليون صفحة في الساعة لكل مسار عمل، مع إمكانية التوسع إلى بيتابايت. وهو يوفر نواة مفتوحة المصدر يمكن للفرق استضافتها ذاتيًا مجانًا، بالإضافة إلى SaaS للمؤسسات مع النشر داخل السحابة الخاصة الافتراضية (VPC). تُنشئ LlamaParse مخرجات قابلة للاستهلاك الفوري بواسطة LLM مع الحد الأدنى من المعالجة اللاحقة؛ بينما يمنحك Unstructured تحكمًا أكبر في مسار العمل على حساب المزيد من العمل الهندسي. إذا كان مسار عملك يتضمن منطق معالجة مسبقة مكثفًا أو توجيهًا لأنواع مستندات مختلطة، فإن Unstructured هو الأنسب. أما إذا كنت تريد مخرجات جاهزة لنماذج LLM بأقل قدر من التكوين، فإن LlamaParse يتمتع بالأفضلية.
يضع معيار ParseBench (الذي نشرته run-llama في عام 2025) وضع LlamaParse Agentic عند دقة إجمالية تبلغ 84.9%، وهو ما يصفه المؤلفون بأنه يتفوق على جميع المزودين الذين تم اختبارهم عند مستوى تكلفته البالغ حوالي 1.2 سنت لكل صفحة. قيّم المعيار خمسة أبعاد لجودة التحليل، وكان Agentic هو الوضع الوحيد الذي أدى بشكل تنافسي عبر الأبعاد الخمسة جميعها. واكب وضع Cost Effective أداء Google Gemini بتكلفة تقل عن 0.4 سنت لكل صفحة. هذه هي أرقام LlamaIndex الخاصة، لذا تعامل معها على أنها مفيدة من حيث الاتجاه العام بدلاً من كونها محايدة تمامًا.
"يتفوق وضع LlamaParse Agentic على جميع المزودين الآخرين في أي مستوى تكلفة" - تحليل معيار ParseBench، مستودع run-llama/ParseBench على GitHub، 2025
كيف يبدو الواقع اليومي لواجهة برمجة التطبيقات
بالنسبة لمعظم مهندسي الذكاء الاصطناعي، يكون سير العمل مباشرًا: تعيين مفتاح API، واختيار مستوى، واستدعاء حزمة تطوير البرمجيات (SDK). في مستوى Cost Effective، يعود ملف PDF مكون من 50 صفحة في حوالي 6 ثوانٍ. تكون المخرجات بتنسيق markdown مع الحفاظ على خلايا الجدول، ووضع علامات على الرؤوس، والإشارة إلى الصور. بالنسبة للفرق التي تبني أنظمة RAG على مستندات الأعمال القياسية (التقارير السنوية، العقود، أدلة المنتجات)، فإن هذا يغطي غالبية حالات الاستخدام.
تصبح الأمور أكثر فوضوية في التخطيطات المعقدة. تظل المستندات متعددة الأعمدة، الشائعة في الأوراق الأكاديمية والتقارير القديمة الممسوحة ضوئيًا، نقطة ضعف موثقة. يمكن أن يتداخل النص من الأعمدة المتجاورة في المخرجات، مما يعطل عملية الاسترجاع اللاحقة لأن الأجزاء تحتوي على مقتطفات من أقسام غير ذات صلة في الصفحة. وثقت مشكلة GitHub رقم 512 (المقدمة في نوفمبر 2024، والمغلقة دون إصلاح مؤكد) هذا الأمر تحديدًا بالنسبة لرؤوس الجداول متعددة المستويات: أنتجت مستويات التحليل المختلفة حلولًا جزئية مختلفة ولكن لم يلتقط أي منها البنية الكاملة. أبلغ المستخدمون عن تجربة وضع Accurate، ووضع Premium، ووضع Continuous على نفس المستند والحصول على نتائج غير مكتملة ومختلفة من كل منها.
تاريخيًا، كانت الجداول التي تمتد عبر صفحات متعددة تظهر كجدولين منفصلين في مخرجات LlamaParse، مع عدم نقل الرؤوس بشكل موثوق عبر فاصل الصفحات. عالجت ميزة Continuous Mode هذا الأمر، ولكنها تتطلب علامة تكوين صريحة لا يكتشفها العديد من المطورين إلا بعد مواجهة المشكلة في بيئة الإنتاج.
هناك أيضًا مشكلة في دقة الأرقام أشار إليها العديد من المهندسين: في مستندات معينة، يبدو أن LlamaParse تحسب القيم بدلاً من قراءتها حرفيًا عبر OCR، مما ينتج عنه أرقام غير صحيحة في الجداول المالية. تتسبب رموز العملات في حدوث أخطاء في بعض أوضاع التحليل. هذه حالات نادرة، لكنها تهم بشكل كبير الفرق التي تبني تطبيقات مالية أو قانونية حيث يتسبب رقم دولار مقروء بشكل خاطئ أو علامة عشرية في غير محلها في مشاكل لاحقة.
"تتفوق LlamaParse في جعل الأشياء تبدو كجداول. لكن البيانات بداخلها؟ تحتاج إلى المزيد من التنظيف." - BoringBot Substack، مواجهة استخراج جداول PDF، 2024
لمن صُممت LlamaParse
تُعد LlamaParse الخيار الأكثر عملية لمهندسي الذكاء الاصطناعي الذين يبنون بالفعل على نظام LlamaIndex البيئي. يعني تكامل SDK الأصلي عدم وجود طبقة محول، كما أن الـ 10,000 رصيد المجاني شهريًا سخية حقًا للتطوير والاختبار، حيث تغطي عبء عمل حقيقي قبل دفع أي أموال.
الفرق التي تحلل مستندات الأعمال القياسية على نطاق متوسط، حيث تكون بعض المعالجة اللاحقة مقبولة، ستجد مستوى Cost Effective كافيًا والتسعير معقولًا بأقل من نصف سنت لكل صفحة. تبلغ الفرق المالية في شركات مثل Carlyle أو صناديق الأسهم الخاصة التي تحلل تقارير الأرباح وعروض المستثمرين ذات الجداول المعقدة ولكن غير الفوضوية بشكل مرضي عن نتائج جيدة مع وضع Agentic. يُعد تعريف مخطط اللغة الطبيعية لمنتج Extract مفيدًا حقًا لاستبدال مسارات عمل إدخال البيانات اليدوية، لا سيما لمعالجة الفواتير واستخراج حقول العقود.
تستفيد الشركات الناشئة التي تقيّم البنية التحتية لتحليل المستندات من نقطة الدخول الخالية من الالتزامات: لا تتطلب الباقة المجانية بطاقة ائتمان، وتغطي خطة Starter بسعر 50 دولارًا شهريًا 40,000 رصيد، وهو ما يعادل تقريبًا 13,000 صفحة Cost Effective أو 4,000 صفحة Agentic شهريًا. بالنسبة لفريق يطلق منتجه الأول، فهذه ميزانية حقيقية.
يجب على فرق المؤسسات التي تتعامل مع بيانات خاضعة للوائح التنظيمية الاستفسار تحديدًا عن خيار النشر في VPC قبل الالتزام. يتوفر النشر المحلي ولكنه يتطلب عقدًا مؤسسيًا. المستخدمون في مجال أمن بيانات LLM الذين لا يمكنهم توجيه المستندات من خلال واجهة برمجة تطبيقات سحابية مُدارة سيجدون أنفسهم عالقين ما لم يتمكنوا من التفاوض على هذا الترتيب.
ما لا تقدمه LlamaParse
لا تُعد LlamaParse خيارًا مناسبًا للفرق التي تحتاج إلى أعلى درجات الدقة في الجداول المالية أو القانونية المعقدة ذات الخلايا المدمجة، أو الرؤوس متعددة المستويات، أو التخطيطات المستديرة. يُسجل مسار OCR ذاتي التصحيح الخاص بـ Reducto أداءً أفضل بشكل ملحوظ في تلك الحالات، ويُحدث فرق الدقة أهمية كبرى عندما تغذي المخرجات قرارات التداول أو الإيداعات القانونية.
إنها ليست أداة مفتوحة المصدر قابلة للاستضافة الذاتية. الفرق التي لديها سياسات صارمة لإقامة البيانات، أو المؤسسات الحكومية أو مؤسسات الرعاية الصحية، أو أي فريق تمنع مراجعته الأمنية نقل المستندات عبر واجهة برمجة تطبيقات سحابية، تحتاج إما إلى النواة مفتوحة المصدر الخاصة بـ Unstructured أو Docling، الذي يعمل محليًا. يتوفر خيار النشر المحلي للمؤسسات من LlamaParse ولكنه يأتي بنقطة سعر تستبعده بالنسبة للفرق الصغيرة.
لم تُصمم لمسارات عمل المستندات على نطاق البيتابايت حيث تهم بنية الإنتاجية أكثر من الدقة لكل مستند. تم بناء محرك التنسيق الخاص بـ Unstructured، مع المعالجة المتوازية، وإعادة المحاولة التلقائية، وأكثر من 15 مليون صفحة في الساعة لكل مسار عمل، لهذا النطاق. تم تحسين واجهة برمجة التطبيقات السحابية الخاصة بـ LlamaParse لجودة كل مستند على حدة، وليس للإنتاجية الأفقية.
بالنسبة للأوراق الأكاديمية متعددة الأعمدة، أو المستندات التاريخية الممسوحة ضوئيًا ذات التباين الكبير في التخطيط، أو مجموعات المستندات مختلطة اللغات (خاصة النصوص غير اللاتينية)، فإن فجوات الدقة الموثقة تجعل من LlamaParse خيارًا أولًا محفوفًا بالمخاطر. قم بتشغيل مجموعة عينات من خلال الباقة المجانية قبل الالتزام بمسار عمل عليها.
غالبًا ما تقوم الفرق التي تتطلع إلى استكمال LlamaParse بطبقة زحف لمحتوى الويب بإقرانها مع Firecrawl للاستيعاب المستند إلى عناوين URL واستخدام إطار عمل LlamaIndex لربط مسار العمل الكامل معًا.
تقييمات المستخدمين
لا توجد تقييمات بعد. كن أول من يشارك تجربته!
سجّل الدخول لكتابة تقييم.
مقالات ذات صلة
أدلة ومقالات ذات صلة بـ LlamaParse.
Google Vision AI Explained (2026): Pricing Per 1,000 Units, Free Tier, and Alternatives
How to Automate Invoice and Document Processing With AI (End-to-End Build)
Grok 4.3 API for Agents (May 2026): Pricing, Benchmarks, Migration
Does API Cost More Than a Subscription for Claude Opus 4.8, GPT-5.5, and Grok?
RFP and Proposal Auto-Fill: The Agent That Handles 80% of the Repeating Questions (2026)
