单证、发票、合同、报关单、验收单，这类材料有一个共同点：信息量很大，但格式完全不受控。同一张报销发票，可能来自三个不同的开票系统；同一份采购合同，附件可能是扫描件、图片或者从老系统导出的文本片段。人工处理的瓶颈从来不是看得慢，而是每一次都要重新理解一遍材料。要把这类工作交给企业级智能体自动化，得先把流程拆成可以单独衡量的几步。
一、先给结论
结论是：把单据处理拆成采集、分类、提取、审核、录入五步，每一步只解决一类问题，可以让准确率在每个环节单独衡量、单独优化。五步全都用同一套规则硬扛，是这类项目失败的常见原因。
二、采集：先解决"材料到不齐"
采集这一步的目标不是快，而是全。常见做法是分三条路同时收：系统间直连取数、邮件与门户收件箱归集、本地上传补录。三条路共用一个归集目录与统一命名规则，避免文件散落在各自的文件夹里。缺件是常态，所以采集阶段要能标记缺口并在后续环节提示补件，而不是静默跳过。
三、分类：把混杂材料收拢成可处理的集合
分类的作用不是归档好看，而是给后面的提取步骤限定可选项。我们把分类粒度定在"单据类型 + 业务场景"两维，比如"增值税发票 / 费用报销"。粒度太粗，提取时要试错；太细，新增类型就要改规则。实践中一个中型财务共享中心稳定在 20 到 50 个类型，是可以长期维护的量级。
四、提取：识别与理解的边界要划清
传统的ocr方式擅长还原文字位置，但对"这笔金额含不含税""这个日期是开票日还是付款日"这类问题无能为力。多模态方式的优势在于把版面与内容一起看，能直接给出字段值与上下文。我们的做法是两者叠加：识别层给出文字与坐标，理解层给出字段与置信度，理解层的结果必须落到识别层能验证的位置上。版式变化时，理解层要能退化到版面兜底，重新定位而不是直接报错。
五、审核与录入：置信度决定人的工作量
审核环节很容易被做成"人人都看一遍"，成本反而比手工更高。我们的规则是按置信度分层：高置信直接过、中置信由业务抽查、低置信强制人工。这样人的精力只集中在真正看不准的那部分。录入环节则尽量把校验前移到写库前，字段类型、必填项、业务口径一次校验完，避免下游系统再抛一堆错误。
六、我们踩过的三个具体坑
- 把分类做成了纯规则匹配。新增一种附件格式就要改一套规则，维护跟不上。后来用模型先看类型再看字段，规则只兜底。
- 审核环节不分置信度，全部人工核对。十万条量级的单据需要数十人天，成本甚至高于手工处理。改为分层审核后人工量下降明显。
- 忽略补件闭环。缺少的附件在审核阶段被打回，但没人负责催，单据长期停在半截状态。后来把补件任务并入采集环节统一跟进才解决。
七、怎么验证这套机制真的生效
- 分类准确率：抽 100 张单据人工复核，类型判错的数量。
- 字段级准确率：按字段统计，不按整单统计。整单口径会掩盖局部错误。
- 人工介入比例：需要人处理的单据占比，这是成本的直接来源。
- 补件闭环时长：从判缺到补齐的平均天数。
行业里同等规模的大批推进也并不少见。某能源化工集团每天需要处理的凭证文本在 1 万条量级；某集团财务共享的文本审核，上万条材料在几分钟内过完，只留 1 人做复核，准确率保持在高位。这些数字背后有个共同前提：流程已经被拆成可以单独衡量的几步。某药企的报关单处理，单票耗时从 50 分钟降到 5 分钟，效率提升 90%，每周省下约 1 人天。某印刷包装企业的入离职办理，从 15 到 20 分钟压到 3 分钟，效率提升 5 到 8 倍。这些案例里没有一个是靠堆算力拿到的，都是靠步骤拆分与置信度分层。
这四项每季复算一次，趋势比绝对值更有意义。检查清单
- 三条采集路径是否有统一归集与命名规则。
- 分类粒度是否控制在可维护的数量级。
- 提取结果能否回溯到识别层的位置。
- 审核是否按置信度分层，而不是全部人工。
- 缺件是否有明确的补件责任人与时限。
