---
type: study
status: verified
created: 2026-08-11
updated: 2026-08-11
sensitivity: standard
tags:
  - study
  - langchain
  - python
  - integrations
  - document-transformer
  - reranking
topic: LangChain Python 文档转换解析翻译与重排
sources:
  - https://docs.langchain.com/oss/python/integrations/document_transformers/cross_encoder_reranker
  - https://docs.langchain.com/oss/python/integrations/document_transformers/google_docai
  - https://docs.langchain.com/oss/python/integrations/document_transformers/google_translate
  - https://docs.langchain.com/oss/python/integrations/document_transformers/localai_rerank
  - https://docs.langchain.com/oss/python/integrations/document_transformers/voyageai-reranker
last_verified: 2026-08-11
---
# Document Transformers：解析、翻译与重排

## 5 个路由

| 路由 | 包/类 | 能力与边界 |
|---|---|---|
| `cross_encoder_reranker` | `langchain-huggingface` + `CrossEncoderReranker` / `HuggingFaceCrossEncoder` | 本地 cross-encoder 对每个 query-document pair 打分；通常 top-20 重排到 top-5，精度更高但每候选都增加推理。示例的 `langchain-community` 已不再维护。 |
| `google_docai` | `langchain-google-community[docai]` / `DocAIParser` | GCS 输入/输出、Document AI OCR processor；`lazy_parse` 每页产文档，也可提交 batch operation、轮询 `is_running`、取 result 后再 parse。 |
| `google_translate` | `google-cloud-translate` / `GoogleTranslateTransformer` | Cloud Translation Advanced v3，plain text/HTML、source auto-detect、target ISO language、model/glossary/regional endpoint；输出新 Document 并附 model/detected language metadata。 |
| `localai_rerank` | 第三方 `langchain-localai` / `LocalAIRerank` | 调自托管 LocalAI reranker 的 OpenAI-compatible endpoint；包由第三方维护。 |
| `voyageai-reranker` | `langchain-voyageai` / `VoyageAIRerank` | 托管 Voyage rerank + contextual compression；示例还依赖 classic/community FAISS/loader。 |

## 执行边界

这些页面的 transformer/reranker 调用主要是同步的。DocAI 的 operation 是服务端长任务并通过轮询分阶段取得结果，但示例不是 Python coroutine；不能把“异步作业”与 `asyncio` API 混为一谈。批量 DocAI 应把 submit、poll、result parse 解耦，持久化 operation name，并对 GCS 输出做 lifecycle cleanup。

Rerank 是第二阶段：先用廉价 retriever 召回有限候选，再重排。候选过少损失 recall，过多线性增加本地 GPU/CPU 或远程费用；要监控 rerank latency、top-n、score distribution 和相对 base retrieval 的质量增益。

## 数据与安全

- DocAI/Translate/Voyage 会把内容发往外部服务；确认 project/region、IAM、保留、敏感数据与成本。GCS input/output 使用最小权限和受控过期。
- LocalAI 即使自托管也要 TLS/auth、model version、并发、timeout 和健康检查；`localhost` 示例不是生产部署方案。
- 翻译不能保证姓名、代码、法律/医疗术语或 HTML 结构绝对正确；关键内容使用 glossary、golden corpus 和人工审校。
- Rerank score 是相关性，不是事实性或授权。ACL 必须在候选进入 reranker 前执行，避免把越权文本发送给外部模型。

## 验证边界

已逐页核对 5 个官方 Markdown 路由、安装与服务边界。没有运行真实 OCR、翻译或 rerank 评测，格式保真、延迟、质量、费用和区域合规仍需目标数据验证。