SunFinance: Textract+Claude准确率90.8%的ID提取方案¶

📊 Level ⭐⭐ | 8.0KB

核心内容¶

SunFinance将AWS Textract（文档 OCR）+ Claude（智能理解）结合，ID提取准确率从79.7%提升至90.8%，成本降低91%。系统每月处理330万次ID验证，支撑信贷审批全流程。

三个关键洞察¶

1. Hybrid Textract+Claude架构¶

Textract负责基础OCR（文本提取），Claude负责语义理解（判断提取内容是否合法、与表单关系）。两者组合比分用各自单独使用效果更好——OCR做好结构化提取，LLM做最终判断。

2. 准确率提升的工程路径¶

79.7%→90.8%的提升来自：① 预处理优化（图像增强提升OCR质量）② prompt工程优化（让Claude更准确地判断字段关系）③ 反馈循环（将Claude的错误案例加入训练数据）。非一蹴而就。

3. 91%成本降低的来源¶

从自建CV模型（需要GPU服务器、维护团队）→ Textract API调用（serverless，按调用计费）+ Claude API。成本结构从固定成本变成可变成本，规模效应显著。

与知识库的连接¶

→ OS-level Actions：未来Agent可替代人工完成整个ID验证流程
→ LLM-as-Judge：Claude做ID判断本质上是做judge

深度分析¶

OCR+LLM混合架构的内在逻辑¶

SunFinance案例验证了一个核心原则：专业化工具做擅长的事，LLM做理解判断。Amazon Textract负责可靠的字符级OCR提取，Claude负责语义层面的结构化理解。两者组合的关键在于——OCR做好结构化提取，LLM做最终判断——这比让LLM直接处理图像更有效，因为LLM的PII保护机制会阻碍直接从身份证件提取敏感信息。

Claude的PII保护机制是直接用LLM做ID提取的核心障碍¶

测试显示单独使用Claude Sonnet 4进行ID提取只有61.8%准确率，甚至低于79.7%的基线。根本原因不是模型能力不足，而是Claude内置的隐私保护机制——它会主动拒绝从身份证件等敏感文档提取PII信息。这解释了为什么混合架构中LLM必须位于OCR之后而非之前。

多层OCR降级策略的工程意义¶

采用Textract（主）+ Rekognition（备）的双层OCR设计，用额外的一次API调用换取系统韧性。当Textract返回低置信度结果时自动降级到Rekognition，这种设计避免了单点失败，尤其在处理低质量扫描、异常角度或损坏证件时效果显著。

向量相似度搜索的选型教训¶

欺诈检测中背景相似度分析揭示了文本嵌入与视觉嵌入的本质差异：文本嵌入（Claude描述背景后比对）达到91%准确率但精确率仅27.8%、召回率21.7%；视觉嵌入达到96%准确率、80%精确率、52%召回率。直接用多模态Embedding做向量化的路线显著优于先做文本描述再做匹配的路线。

实践启示¶

1. 文档处理场景优先考虑混合架构¶

当处理身份证、发票、合同等结构化文档时，OCR+LLM的混合方案通常优于单独使用任何一种技术。关键是把"字符提取"和"语义理解"分离，让专业OCR处理字符级任务，LLM专注于关系判断和格式标准化。

2. 验证规则是提升准确率的低成本高回报手段¶

SunFinance在OCR+Claude之后加入了ID号码格式化验证、日期标准化、文档类型规范化等规则，这些规则"捕捉住了OCR提取了正确字符但格式不一致的边缘情况" 。对于中国身份证、营业执照等有明确格式规范的文档，格式校验规则应该是标准配置。

3. Serverless架构支持快速迭代¶

6周的概念验证周期内技术方案每周都在演进，AWS Lambda+Step Functions的serverless设计允许团队"修改和部署单个Lambda函数而不需要停机" 。这对于需要快速试错的生产AI项目至关重要。

4. 欺诈检测需要多层防御¶

单一欺诈检测方法的召回率永远不够。视觉模式检测（检测屏幕照片、数字篡改）单独使用时对已知模式有95%+置信度；背景相似度检测（检测欺诈团伙）单独使用时对已知模式召回率仅55%、对新模式16.7%。两者组合才能覆盖不同类型的攻击向量。

5. 成本结构转型释放新市场¶

从自建CV模型（GPU服务器+维护团队=固定成本）→ Textract API + Claude API（serverless+按调用计费=可变成本），91%成本降低使低价值贷款场景首次具备经济可行性。对于服务小微信贷、助贷等低毛利场景，成本结构的优化直接决定了业务是否成立。¶

Source: 原文存档