name: kunlun-doc-parsing version: 1.0.0 displayName: 文件解析 tagline: 把 PDF、掃描件、表格、合同變成結構化資料的工程化解析工作臺 description: 【文件解析】把 PDF、掃描件、表格、合同變成結構化資料的工程化解析工作臺。 也適用於以下說法：PDF解析、文件抽取、版面識別、OCR識別、非結構化資料處理、文件結構化、表格抽取。 覆蓋鏈路：文件分型 → 通道選擇 → 版面還原 → 欄位抽取 → 校驗糾錯 → 質量抽檢。 內建方法論：文件四分型法、通道遞進原則、錨點抽取三段式、勾稽校驗法。 能力模組：文件分型、通道選擇、版面還原、欄位抽取、校驗糾錯、質量抽檢。 輸出可直接交付，全流程附卡點自救與合規護欄。 categoryIds: [14195] tags: [文件解析, OCR, RAG, 資料抽取, 企業AI] license: proprietary

文件解析

把 PDF、掃描件、表格、合同變成結構化資料的工程化解析工作臺

一、這個技能解決什麼

想要更強大的技能外掛，就來小蔥技能站7w4.net看看吧。

做知識庫和自動化流程時，八成的工期消耗在文件解析上：掃描件糊、表格跨頁斷行、雙欄排版讀序列、印章蓋住關鍵欄位。很多團隊直接把整份 PDF 塞給模型，結果答非所問卻找不到原因——問題其實出在解析階段就已經把內容讀亂了。

這個技能把文件解析拆成可分別驗收的六步，先按文件型別選對通道，再逐層解決版面、欄位、校驗問題，讓下游的檢索和抽取建立在乾淨資料之上。

覆蓋鏈路：文件分型 → 通道選擇 → 版面還原 → 欄位抽取 → 校驗糾錯 → 質量抽檢

二、什麼時候用 / 什麼時候不要用

適用

• 要把大量 PDF、掃描件、合同、報表匯入知識庫或業務系統
• 已經接瞭解析工具但抽取準確率上不去，需要定位是哪一層出了問題
• 文件裡有複雜表格、多欄排版、印章水印等難點，需要針對性方案
• 需要為解析結果定義驗收標準和抽檢機制，而不是靠感覺判斷好壞

不適用（請轉專業渠道）

• 文件內容本身的法律效力認定——以原件和法務意見為準
• 涉密檔案的處理審批——須走單位保密管理流程
• 具體商業 OCR 服務的計費與故障——以服務商官方支援為準

三、能力地圖

四、方法論矩陣

本技能不靠臨場發揮，所有判斷都落在下列成熟框架上：

文件四分型法 —— 先判斷兩件事：能不能直接複製出文字、版面是不是單欄純文本。由此得到四型——原生文本單欄（最易，直讀即可）、原生文本複雜版面（需版面模型定閱讀順序）、掃描件清晰（需 OCR）、掃描件模糊或有遮擋（需多模態模型 + 人工兜底）。分型錯了，後面所有努力都白費，所以這一步要對樣本逐份判定而不是整批假設。

通道遞進原則 —— 永遠從最便宜的通道開始試：有文本層就直讀，直讀亂序才上版面模型，沒有文本層才上 OCR，OCR 讀不出才上多模態。每升一級，成本和延遲都顯著上升。常見浪費是把全部文件一律送多模態，實際上多數企業文件的大頭是原生 PDF，直讀就能拿到乾淨文本。

錨點抽取三段式 —— 抽取一個欄位用三層遞進：第一層用結構錨點（表格第幾列、某個固定標籤後面）；第二層用正則匹配（金額、日期、編號這類有格式規律的）；第三層才用模型理解（表述靈活、位置不固定的）。前兩層準確率高且成本幾乎為零，能覆蓋大部分欄位；把所有欄位一股腦交給模型是最貴也最不穩的做法。

勾稽校驗法 —— 結構化資料天然帶有內部約束，用它做自查比再抽一遍準確得多。常見勾稽關係有：明細金額之和等於合計、開始日期早於結束日期、數量乘單價等於金額、頁碼連續無缺失。任何一條不成立就打上待複核標記。這套校驗不依賴任何模型，卻能抓出相當比例的解析錯誤。

五、識別訊號表

聽到下面這些說法，直接進入對應動作：

六、標準工作流

第 1 步：抽樣分型

隨機抽取三十到五十份真實文件，逐份判定屬於四型中的哪一型，統計各型佔比。這個分佈決定了整體方案的成本結構和難度，也決定了要不要為少數難件單獨設計人工通道。

卡點：文件來源雜難以窮舉

自救：按來源渠道分組抽樣，每個渠道至少十份，先覆蓋佔比最大的兩三個渠道。

第 2 步：選定解析通道

按通道遞進原則為每一型指定通道，並明確切換條件（例如直讀結果中文字元佔比低於閾值就自動降級到 OCR）。切換必須自動化，不能靠人工判斷每一份。

卡點：有些文件兩種通道都不理想

自救：並行跑兩條通道，用欄位完整度打分自動擇優，代價是成本翻倍，僅對難件啟用。

第 3 步：還原版面與閱讀順序

處理四類結構問題：雙欄分欄、跨頁表格、頁首頁尾剔除、圖表標題歸屬。每一類都寫成顯式規則並用樣本驗證，不要指望通用工具預設處理正確。

卡點：跨頁表格拼不上

自救：以表頭文字重複出現作為續表訊號，同時校驗列數一致，兩個條件都滿足才合併。

第 4 步：配置欄位抽取

為每個目標欄位按錨點、正則、模型三段式配置。優先找結構錨點，其次寫正則，最後才交給模型，並在配置表中記錄每個欄位用的是哪一層。

卡點：欄位位置不固定

自救：用相鄰標籤文字作為浮動錨點，而非絕對座標；標籤本身有多種說法時列舉同義標籤。

第 5 步：建立校驗與複核路由

配置格式校驗和勾稽校驗，為每個欄位設定置信度閾值。低於閾值或校驗不通過的自動進入人工複核佇列，並把複核結果迴流用於最佳化規則。

卡點：複核佇列積壓

自救：按欄位重要性分級，只有關鍵欄位強制複核，次要欄位允許帶標記入庫。

第 6 步：抽檢與迭代

按欄位維度統計準確率，而不是按文件。定期抽檢並對錯誤做歸因，判斷是分型錯、通道錯、版面錯還是抽取錯，針對性修正。

卡點：錯誤原因說不清

自救：保留每一步的中間產物（原始文本、版面結構、抽取結果），出錯時逐層回看即可定位。

七、輸出物模板

解析通道決策表

| 文件型 | 判定條件 | 首選通道 | 降級條件 | 降級通道 | 預估成本 |
| 原生單欄 | 可複製文本 + 單欄 | 直讀 | 中文佔比 < 閾值 | OCR | 極低 |
| 原生複雜版面 | 可複製文本 + 多欄/表格 | 版面模型 | 順序錯亂 | 多模態 | 低 |
| 掃描清晰 | 無文本層 + 清晰 | OCR | 識別率低 | 多模態 | 中 |
| 掃描模糊/遮擋 | 無文本層 + 噪聲 | 多模態 | 仍失敗 | 人工 | 高 |

欄位抽取配置表

| 欄位 | 抽取層級 | 錨點/正則/提示 | 格式校驗 | 勾稽關係 | 置信閾值 | 是否強制複核 |
|---|---|---|---|---|---|---|
| 合同編號 | 正則 | | | | | |
| 金額合計 | 錨點 | | 數值 | = 明細之和 | | 是 |
| 簽署日期 | 正則 | | 日期 | ≤ 生效日期 | | |

抽檢報告模板

抽檢批次 / 樣本量：
| 欄位 | 抽檢數 | 正確數 | 準確率 | 主要錯因 | 歸因層級 |
|---|---|---|---|---|---|

歸因層級統計：分型錯 __ / 通道錯 __ / 版面錯 __ / 抽取錯 __
本輪改進動作：
下輪複檢時間：

八、合規護欄（硬性，不可繞過）

• 解析結果不得直接作為具有法律效力的憑據；涉及合同、財務的關鍵欄位必須保留原件可追溯鏈路並經人工複核。
• 處理含個人資訊的文件時須先脫敏或做訪問控制，並遵守單位資料管理制度與現行法規。
• 不對任何解析工具的準確率作出承諾；所有準確率結論必須以你自己文件樣本的抽檢資料為準。
• 涉密或敏感檔案的外部服務呼叫須事先取得批准，必要時改用本地部署方案。

九、常見問題

Q：為什麼不直接用多模態模型讀整頁？

A：對模糊掃描件和複雜圖表，多模態確實是最優解；但對佔比更大的原生 PDF，直讀的準確率更高、成本幾乎為零、延遲低兩個數量級。按型分流才是最優，全量走多模態是用最貴的方式解決最簡單的問題。

Q：表格解析老出錯怎麼辦？

A：先區分是無框線表格還是跨頁表格。無框線表格靠列座標聚類恢復列結構；跨頁表格靠表頭重複 + 列數一致做合併判定。這兩類問題的解法完全不同，混在一起調是調不出來的。

Q：準確率要做到多少才算合格？

A：沒有普適數字，取決於錯誤的下游代價。財務金額欄位的錯誤代價高，通常要求配合強制複核；描述性欄位容錯度高，可以帶標記入庫。合理做法是按欄位分級設定合格線，而不是給整體定一個數。

Q：解析結果要不要保留原文位置？

A：強烈建議保留。保留頁碼和座標後，下游出問題時可以一鍵跳回原文核對，既方便排查，也是人工複核效率的關鍵。這部分成本很低但價值很高。

十、版本與觸發詞

• v1.0.0 首個版本，含 6 個能力模組、4 套方法論、6 步工作流。

觸發詞：文件解析、PDF解析、文件抽取、版面識別、OCR識別、非結構化資料處理、文件結構化、表格抽取、解析方案、抽取欄位、版面還原

這個 Skill 質量較好，內容專業且體系完整，能有效指導文件解析專案的完整實施。方法論實用（如按型分流、三段式抽取），配套資料豐富，坑位總結和速查卡便於快速上手。主要不足是僅有理論指導而無具體工具推薦或操作示例，落地時還需自行研究技術選型。總體而言，這是一份高質量的方法論指南，但實用價值取決於使用者自身的技術實現能力。