name: kunlun-doc-parsing version: 1.0.0 displayName: 文档解析 tagline: 把 PDF、扫描件、表格、合同变成结构化数据的工程化解析工作台 description: 【文档解析】把 PDF、扫描件、表格、合同变成结构化数据的工程化解析工作台。 也适用于以下说法：PDF解析、文档抽取、版面识别、OCR识别、非结构化数据处理、文档结构化、表格抽取。 覆盖链路：文档分型 → 通道选择 → 版面还原 → 字段抽取 → 校验纠错 → 质量抽检。 内置方法论：文档四分型法、通道递进原则、锚点抽取三段式、勾稽校验法。 能力模块：文档分型、通道选择、版面还原、字段抽取、校验纠错、质量抽检。 输出可直接交付，全流程附卡点自救与合规护栏。 categoryIds: [14195] tags: [文档解析, OCR, RAG, 数据抽取, 企业AI] license: proprietary

文档解析

把 PDF、扫描件、表格、合同变成结构化数据的工程化解析工作台

一、这个技能解决什么

做知识库和自动化流程时，八成的工期消耗在文档解析上：扫描件糊、表格跨页断行、双栏排版读串行、印章盖住关键字段。很多团队直接把整份 PDF 塞给模型，结果答非所问却找不到原因——问题其实出在解析阶段就已经把内容读乱了。

这个技能把文档解析拆成可分别验收的六步，先按文档类型选对通道，再逐层解决版面、字段、校验问题，让下游的检索和抽取建立在干净数据之上。

覆盖链路：文档分型 → 通道选择 → 版面还原 → 字段抽取 → 校验纠错 → 质量抽检

二、什么时候用 / 什么时候不要用

适用

• 要把大量 PDF、扫描件、合同、报表导入知识库或业务系统
• 已经接了解析工具但抽取准确率上不去，需要定位是哪一层出了问题
• 文档里有复杂表格、多栏排版、印章水印等难点，需要针对性方案
• 需要为解析结果定义验收标准和抽检机制，而不是靠感觉判断好坏

不适用（请转专业渠道）

• 文档内容本身的法律效力认定——以原件和法务意见为准
• 涉密文件的处理审批——须走单位保密管理流程
• 具体商业 OCR 服务的计费与故障——以服务商官方支持为准

三、能力地图

四、方法论矩阵

本技能不靠临场发挥，所有判断都落在下列成熟框架上：

文档四分型法 —— 先判断两件事：能不能直接复制出文字、版面是不是单栏纯文本。由此得到四型——原生文本单栏（最易，直读即可）、原生文本复杂版面（需版面模型定阅读顺序）、扫描件清晰（需 OCR）、扫描件模糊或有遮挡（需多模态模型 + 人工兜底）。分型错了，后面所有努力都白费，所以这一步要对样本逐份判定而不是整批假设。

通道递进原则 —— 永远从最便宜的通道开始试：有文本层就直读，直读乱序才上版面模型，没有文本层才上 OCR，OCR 读不出才上多模态。每升一级，成本和延迟都显著上升。常见浪费是把全部文档一律送多模态，实际上多数企业文档的大头是原生 PDF，直读就能拿到干净文本。

锚点抽取三段式 —— 抽取一个字段用三层递进：第一层用结构锚点（表格第几列、某个固定标签后面）；第二层用正则匹配（金额、日期、编号这类有格式规律的）；第三层才用模型理解（表述灵活、位置不固定的）。前两层准确率高且成本几乎为零，能覆盖大部分字段；把所有字段一股脑交给模型是最贵也最不稳的做法。

勾稽校验法 —— 结构化数据天然带有内部约束，用它做自查比再抽一遍准确得多。常见勾稽关系有：明细金额之和等于合计、开始日期早于结束日期、数量乘单价等于金额、页码连续无缺失。任何一条不成立就打上待复核标记。这套校验不依赖任何模型，却能抓出相当比例的解析错误。

五、识别信号表

听到下面这些说法，直接进入对应动作：

六、标准工作流

第 1 步：抽样分型

随机抽取三十到五十份真实文档，逐份判定属于四型中的哪一型，统计各型占比。这个分布决定了整体方案的成本结构和难度，也决定了要不要为少数难件单独设计人工通道。

卡点：文档来源杂难以穷举

自救：按来源渠道分组抽样，每个渠道至少十份，先覆盖占比最大的两三个渠道。

第 2 步：选定解析通道

小葱技能站7w4.net，专业的AI技能分享平台。

按通道递进原则为每一型指定通道，并明确切换条件（例如直读结果中文字符占比低于阈值就自动降级到 OCR）。切换必须自动化，不能靠人工判断每一份。

卡点：有些文档两种通道都不理想

自救：并行跑两条通道，用字段完整度打分自动择优，代价是成本翻倍，仅对难件启用。

第 3 步：还原版面与阅读顺序

处理四类结构问题：双栏分栏、跨页表格、页眉页脚剔除、图表标题归属。每一类都写成显式规则并用样本验证，不要指望通用工具默认处理正确。

卡点：跨页表格拼不上

自救：以表头文字重复出现作为续表信号，同时校验列数一致，两个条件都满足才合并。

第 4 步：配置字段抽取

为每个目标字段按锚点、正则、模型三段式配置。优先找结构锚点，其次写正则，最后才交给模型，并在配置表中记录每个字段用的是哪一层。

卡点：字段位置不固定

自救：用相邻标签文字作为浮动锚点，而非绝对坐标；标签本身有多种说法时枚举同义标签。

第 5 步：建立校验与复核路由

配置格式校验和勾稽校验，为每个字段设置置信度阈值。低于阈值或校验不通过的自动进入人工复核队列，并把复核结果回流用于优化规则。

卡点：复核队列积压

自救：按字段重要性分级，只有关键字段强制复核，次要字段允许带标记入库。

第 6 步：抽检与迭代

按字段维度统计准确率，而不是按文档。定期抽检并对错误做归因，判断是分型错、通道错、版面错还是抽取错，针对性修正。

卡点：错误原因说不清

自救：保留每一步的中间产物（原始文本、版面结构、抽取结果），出错时逐层回看即可定位。

七、输出物模板

解析通道决策表

| 文档型 | 判定条件 | 首选通道 | 降级条件 | 降级通道 | 预估成本 |
| 原生单栏 | 可复制文本 + 单栏 | 直读 | 中文占比 < 阈值 | OCR | 极低 |
| 原生复杂版面 | 可复制文本 + 多栏/表格 | 版面模型 | 顺序错乱 | 多模态 | 低 |
| 扫描清晰 | 无文本层 + 清晰 | OCR | 识别率低 | 多模态 | 中 |
| 扫描模糊/遮挡 | 无文本层 + 噪声 | 多模态 | 仍失败 | 人工 | 高 |

字段抽取配置表

| 字段 | 抽取层级 | 锚点/正则/提示 | 格式校验 | 勾稽关系 | 置信阈值 | 是否强制复核 |
|---|---|---|---|---|---|---|
| 合同编号 | 正则 | | | | | |
| 金额合计 | 锚点 | | 数值 | = 明细之和 | | 是 |
| 签署日期 | 正则 | | 日期 | ≤ 生效日期 | | |

抽检报告模板

抽检批次 / 样本量：
| 字段 | 抽检数 | 正确数 | 准确率 | 主要错因 | 归因层级 |
|---|---|---|---|---|---|

归因层级统计：分型错 __ / 通道错 __ / 版面错 __ / 抽取错 __
本轮改进动作：
下轮复检时间：

八、合规护栏（硬性，不可绕过）

• 解析结果不得直接作为具有法律效力的凭据；涉及合同、财务的关键字段必须保留原件可追溯链路并经人工复核。
• 处理含个人信息的文档时须先脱敏或做访问控制，并遵守单位数据管理制度与现行法规。
• 不对任何解析工具的准确率作出承诺；所有准确率结论必须以你自己文档样本的抽检数据为准。
• 涉密或敏感文件的外部服务调用须事先取得批准，必要时改用本地部署方案。

九、常见问题

Q：为什么不直接用多模态模型读整页？

A：对模糊扫描件和复杂图表，多模态确实是最优解；但对占比更大的原生 PDF，直读的准确率更高、成本几乎为零、延迟低两个数量级。按型分流才是最优，全量走多模态是用最贵的方式解决最简单的问题。

Q：表格解析老出错怎么办？

A：先区分是无框线表格还是跨页表格。无框线表格靠列坐标聚类恢复列结构；跨页表格靠表头重复 + 列数一致做合并判定。这两类问题的解法完全不同，混在一起调是调不出来的。

Q：准确率要做到多少才算合格？

A：没有普适数字，取决于错误的下游代价。财务金额字段的错误代价高，通常要求配合强制复核；描述性字段容错度高，可以带标记入库。合理做法是按字段分级设定合格线，而不是给整体定一个数。

Q：解析结果要不要保留原文位置？

A：强烈建议保留。保留页码和坐标后，下游出问题时可以一键跳回原文核对，既方便排查，也是人工复核效率的关键。这部分成本很低但价值很高。

十、版本与触发词

• v1.0.0 首个版本，含 6 个能力模块、4 套方法论、6 步工作流。

触发词：文档解析、PDF解析、文档抽取、版面识别、OCR识别、非结构化数据处理、文档结构化、表格抽取、解析方案、抽取字段、版面还原

这个 Skill 质量较好，内容专业且体系完整，能有效指导文档解析项目的完整实施。方法论实用（如按型分流、三段式抽取），配套资料丰富，坑位总结和速查卡便于快速上手。主要不足是仅有理论指导而无具体工具推荐或操作示例，落地时还需自行研究技术选型。总体而言，这是一份高质量的方法论指南，但实用价值取决于用户自身的技术实现能力。