文档智能（Document AI）

文档智能（Document AI）指对PDF、扫描件、票据、报告等文档进行自动理解与信息提取的技术集合，输出结构化数据或直接回答文档相关问题。它把传统文字识别从「认字」推进到「理解内容」，让原本靠人眼阅读、手工录入的流程变成秒级自动化，是企业流程改造中落地最快的AI方向之一。

技术栈

• 版面分析：识别标题、段落、表格与图画的布局结构，为后续抽取提供坐标与层级
• 文字识别：印刷体已相当成熟，手写体与复杂版式仍在攻坚
• 多模态大模型：当前主力路线，视觉语言模型直接看图理解文档，无需拆成多个小模型
• 信息抽取：按预定义字段输出发票号、金额、签署方等结构化结果

典型应用

• 财务报销：发票与单据自动录入，减少人工核对
• 合同审查：关键条款比对与风险提示
• 招投标与档案：标书要点提取、历史档案数字化检索
• 科研与报表：论文数据抽取、报表字段归集

关键环节与工程取舍

• 阅读顺序还原：多栏排版、页眉页脚与图表混排会打乱顺序，顺序错了后续抽取与问答都会受影响
• 表格与跨页：跨页表格、合并单元格与扫描倾斜是常见失分点，必要时按行列结构单独处理
• 字段校验：用金额合计、日期范围、编号规则等业务规则交叉校验，能拦下相当一部分误抽
• 置信度与人审：低置信度字段进入人工复核队列，修正结果回流成训练数据，形成闭环
• 评测集：用真实业务文档构造带标注的评测集，比在公开样例上比较更能反映上线后的表现

选型与局限

长文档可先用文档智能做分块与摘要，再交给大模型做问答与推理，兼顾上下文长度与准确率。对格式高度固定的场景，例如发票与证件，小模型配合规则反而更稳、更便宜、也更容易解释；文档种类杂、版式变化大时，多模态大模型的泛化能力更好。局限在于扫描质量差、表格跨页、印章遮挡都会拉低准确率，高风险字段仍应保留人工复核环节。对高价值场景，还可以把抽取结果直接接入业务流程，例如把发票金额与订单系统比对，异常时自动提醒。选型时可以先取一批真实文档跑字段级准确率，统计人工返工比例，再决定用规则、小模型还是多模态大模型，这比看演示样例可靠得多。