在企业办公、合同管理、知识库、档案管理和云文档等系统中，文件既是业务信息的主要载体，也是 Agent 执行真实任务时必须面对的对象。
用户可以直接向 Agent 提出：
- 打开这份合同，定位付款条款；
- 把一批 Office 文件统一转换成 PDF；
- 合并这些 PDF，并添加“内部资料”水印；
- 提取文档正文，生成摘要并写入知识库；
- 清除 Word 中的批注和修订，生成正式版本。
大模型能够理解这些自然语言指令，但并不适合直接操作复杂的文档文件。文件获取、格式识别、在线预览、格式转换、内容提取和结构修改，仍然需要由稳定、可追踪的专业文档能力完成。
BaseMetas IDP 围绕企业文档处理中的三个基础问题，形成了三类核心产品能力：
- 文件预览：解决文件能否在线查看的问题；
- 格式转换：解决不同文件格式如何统一的问题；
- 内容处理：解决如何按照业务规则操作文档的问题。
三类能力既可以独立接入 OA、云文档、知识库、合同和档案系统，也可以进一步封装为 Agent Skill，为智能办公和企业级 Agent 提供可靠的文档执行能力。原始产品材料同样将预览、转换和内容处理定义为一套完整文档处理中台的三类核心能力。
一、三大产品构成完整的文档能力底座
文件预览、格式转换和内容处理并不是三个彼此孤立的工具，而是覆盖文件查看、标准化和深度操作全过程的三类能力。
编辑
对传统业务系统而言，这三类产品提供的是标准文档服务；对 Agent 而言，它们则可以成为可理解、可选择和可调用的外部工具。
三者之间的关系可以简单概括为：
- 预览负责让文件“能看”；
- 转换负责让格式“统一”；
- 内容处理负责让文档“能操作”。
例如，一份 WPS 合同可以先转换为 PDF，供用户在线审阅；随后提取正文，交给大模型分析；最后根据业务要求添加水印、页码或执行归档。
二、文件预览：让 Agent 具备查看文档的“眼睛”
1. 产品定位
文件预览解决的是不同类型的文件如何在浏览器中直接查看的问题。
用户不需要安装对应的桌面软件，业务系统也不需要针对每一种格式分别开发查看器。只需将文件地址、文件标识或者上传文件提交给预览服务，即可获得在线预览页面或可嵌入业务系统的预览地址。
文件预览适合应用于：
- OA 和 BPM 系统中的流程附件；
- 网盘和云文档系统中的在线查看；
- 合同、档案和电子证照系统；
- CRM、ERP 和项目管理系统中的业务附件；
- 知识库和智能问答系统中的原文查看；
- Agent 执行结果的人工确认与复核。
2. 覆盖多类型文件
BaseMetas 文件预览支持超过 200 种文件格式，整体覆盖以下类别：
- 办公文档与文本：包括文字、表格、演示、WPS、开放文档和常见文本文件；
- 版式文档：包括 PDF、OFD 等适合正式分发和归档的文件；
- 图片：覆盖常见图片、扫描图片及部分专业图像格式；
- 音视频：支持常见音频、视频文件的在线播放；
- 压缩包：支持在线查看压缩包目录，并继续预览其中受支持的文件；
- CAD 与工程图纸：适用于建筑、机械、制造和工程管理等场景；
- 3D 模型：适用于工业设计、三维展示、建筑可视化和数字资产管理；
- 流程图与思维导图：覆盖业务流程、系统架构和知识结构等文件；
- 代码与配置文件：适合研发管理、代码查看和 DevOps 场景；
- 电子书：适合培训资料、电子教材和产品手册的在线阅读。
本文重点不在于逐一罗列扩展名，而在于说明：预览产品能够为企业业务系统提供统一的文件查看入口，使 Office、PDF、CAD、3D 等差异较大的文件都可以进入同一套在线使用流程。
3. 复杂文件场景
除了普通文件查看，企业应用还经常遇到网络文件、长文档、大文件、密码文档和加密压缩包等复杂情况。
预览产品需要覆盖：
- 网络文件获取与预览；
- 长文档分页加载；
- 大文件异步处理；
- 密码 Office 文档；
- 加密压缩包；
- 压缩包目录浏览；
- 重复文件结果复用；
- 文件访问权限控制；
- 预览地址有效期控制；
- 水印、下载、打印和复制权限控制。
官方格式说明显示，BaseMetas 文件预览支持密码保护的 Office 文档以及常见加密压缩包，用户提供正确密码后可以继续查看。
4. 作为 Agent Skill 的价值
在传统业务系统中，预览通常只是一个页面功能；在 Agent 应用中，预览还可以成为文档任务的可视化入口和人工复核环节。
例如用户提出：
打开这份工程资料，让我查看其中的 CAD 图纸。
Agent 可以调用文件预览 Skill，获得预览地址并返回给用户，而不需要理解 CAD 文件的内部结构。
建议将预览能力封装为：
name: preview_document description: > 将文件生成可在浏览器中查看的预览资源， 支持办公文档、版式文档、图片、音视频、压缩包、 CAD、3D模型、流程图、代码和电子书等类型。 inputs: file_source: description: 文件地址、文件标识或上传文件 password: description: 文件或压缩包密码，可选 preview_options: description: 预览模式、权限、水印及页面参数 outputs: task_id: description: 异步任务标识 preview_url: description: 在线预览地址 file_type: description: 识别出的文件类型 status: description: 当前处理状态
适合触发该 Skill 的用户意图包括：
- 打开或预览文件；
- 查看压缩包中的内容；
- 在线查看 CAD 图纸；
- 展示 3D 模型；
- 打开流程图或思维导图；
- 查看 Agent 处理后的结果文件。
三、格式转换：为不同文档建立统一的使用方式
1. 产品定位
格式转换解决的是不同文件格式之间难以统一使用的问题。
企业文件来源复杂，同一个系统中可能同时存在 Office、WPS、PDF、OFD、图片、CAD、流程图和音视频文件。如果上层应用分别适配每一种格式，开发和维护成本会持续增加。
格式转换产品可以将来源不同的文件转换为适合预览、归档、编辑、交换或者智能分析的目标格式。
2. 核心能力
格式转换的典型场景包括：
- Office、WPS 等文档转换为 PDF；
- 文档或 PDF 转换为图片；
- PDF 转换为可编辑或可提取内容的格式；
- OFD 与 PDF、图片等格式之间转换；
- 图片和多页扫描件转换为 PDF；
- 流程图和工程图纸生成便于分发的预览文件；
- 音视频文件转换为统一播放格式；
- 企业历史文件批量转换为标准归档格式。
原始材料将转换产品定位为覆盖多类文件的企业级格式转换能力，并强调其支持异步执行、任务追踪和水平扩展。
格式转换不仅是一个“导出文件”的功能，还承担着文档标准化的作用。
例如：
- 知识库可能需要将来源不同的文件统一转换为便于提取内容的格式；
- 合同系统可能要求正式归档文件统一为 PDF；
- 多模态模型可能需要将长文档转换为逐页图片；
- 预览系统可能需要先生成浏览器能够稳定展示的版本。
3. 作为 Agent Skill 的价值
当用户提出：
把这份 Excel 转成 PDF。
Agent 只需要识别当前文件、用户意图和目标格式，然后调用转换 Skill：
name: convert_document description: > 将文件从当前格式转换为指定目标格式， 适用于预览、归档、编辑、交换和后续智能分析。 inputs: file_source: description: 文件地址、文件标识或上传文件 target_format: description: 目标文件格式 source_format: description: 源文件格式，可选，可自动识别 options: description: 页面范围、输出质量及其他转换参数 outputs: task_id: description: 异步转换任务标识 result_url: description: 转换结果地址 output_format: description: 实际输出格式 status: description: 任务执行状态
适合触发转换 Skill 的用户表达包括：
- 转换成 PDF；
- 导出为图片；
- 把 OFD 转成 PDF；
- 将 Office 文件统一为归档格式；
- 生成适合在线查看的版本；
- 把文档转换为可以进行后续分析的格式。
4. Agent 工作流中的标准化节点
格式转换 Skill 往往不是最终步骤，而是后续智能处理的前置节点。
编辑
例如，一份演示文稿可以先转换为 PDF，再生成逐页图片，最后由多模态模型分析每一页内容。
因此，格式转换在 Agent 工作流中承担的是“文档格式翻译器”和“标准化入口”的角色。
四、内容处理：让 Agent 能够真正操作文档
1. 产品定位
格式转换主要改变文件的载体形式，内容处理则直接操作文件内部的页面、文本、工作表、批注、修订、水印、安全属性和文档结构。
例如：
- Word 转 PDF 属于格式转换；
- 接受 Word 中的全部修订属于内容处理；
- PDF 转图片属于格式转换；
- 删除 PDF 中的指定页面属于内容处理；
- Excel 转 PDF 属于格式转换；
- 合并多个 Excel 工作表属于内容处理。
内容处理使 Agent 不再只是“读取文件”，而是能够按照用户要求生成可交付的结果文件。
2. PDF 内容处理
PDF 内容处理可以覆盖：
- 文档合并和拆分；
- 页面删除、插入、旋转和排序；
- 添加页码和水印；
- 提取文本、图片、表格和附件；
- 表单填写；
- 批注清理和扁平化；
- 文档保护、加密和解密；
- 文档安全清理。
例如，用户可以要求：
把这些扫描件合并成一份 PDF，每页添加“仅限内部使用”水印，并在底部插入页码。
这些操作可以组合为一次连续的文档处理任务。
3. Word 内容处理
Word 内容处理可以覆盖：
- 提取或删除批注；
- 接受或拒绝修订；
- 开启或关闭修订模式；
- 添加或移除水印；
- 插入或替换页眉页脚；
- 合并多个文档；
- 清理文档内容；
- 应用正式文档模板；
- 公文套红；
- 文档保护、加密和解密。
这类能力适合合同定稿、公文处理、材料汇编、审阅清稿和正式文件生成等场景。
4. Excel 内容处理
Excel 内容处理可以覆盖：
- 合并或拆分工作簿；
- 合并、插入、删除和隐藏工作表；
- 规范化表格结构；
- 处理数据透视表；
- 处理条件格式；
- 设置或取消工作表保护；
- 文件加密和解密。
这类能力可以用于报表汇总、数据模板生成、批量台账整理和业务数据交付。
原始材料将内容处理定义为针对 PDF、Word 和 Excel 的结构化编辑与提取能力，并支持将多个操作组成连续处理流程。
5. 结构化操作指令
为了让 Agent 稳定调用，可以将每一种文档操作定义为结构化操作码：
Pdf.document.merge Pdf.watermark.insert Pdf.text.extract Pdf.page.remove Word.revision.acceptAll Word.comment.remove Word.document.applyTemplate Excel.workbook.merge Excel.sheet.remove Excel.table.normalize
自然语言由大模型负责理解，实际执行则通过确定性的操作指令完成。
例如，用户提出：
合并这五个 PDF，在每页右上角添加“机密”水印，最后设置打开密码。
Agent 可以生成：
{ "files": [ "file-001", "file-002", "file-003", "file-004", "file-005" ], "operations": [ { "operation": "Pdf.document.merge", "parameters": { "order": "input" } }, { "operation": "Pdf.watermark.insert", "parameters": { "text": "机密", "position": "top-right", "opacity": 0.25 } }, { "operation": "Pdf.security.encrypt", "parameters": { "password": "******" } } ] }
6. 作为 Agent Skill 的价值
内容处理能力可以封装为：
name: process_document description: > 对 PDF、Word 或 Excel 文件执行结构化内容处理， 支持合并、拆分、提取、水印、修订、模板和安全保护等操作， 并支持多个操作按顺序执行。 inputs: file_source: description: 单个文件、多个文件或文件标识列表 operations: description: 按顺序执行的结构化操作列表 execution_mode: description: 单文件、多文件合并或批量处理模式 outputs: task_id: description: 内容处理任务标识 result_url: description: 最终结果文件地址 operation_results: description: 每个操作的执行结果 status: description: 当前任务状态
适合触发内容处理 Skill 的用户意图包括：
- 合并或拆分文件；
- 添加水印和页码；
- 接受全部修订；
- 清除批注；
- 提取 PDF 文本或表格；
- 应用正式文档模板；
- 合并 Excel 工作表；
- 对文件进行加密或安全清理。
五、三类 Skill 如何协同完成复杂任务
假设用户提出：
把客户上传的 Word 合同转换成 PDF，添加机密水印，提取合同正文，并分析其中的付款和违约条款。
Agent 可以将任务拆解为以下步骤：
编辑
在这个流程中：
- 格式转换负责将原始合同标准化；
- 内容处理负责添加水印和提取正文；
- 大模型负责理解合同语义；
- 文件预览负责向用户展示原文和处理结果。
其核心分工是：
大模型负责理解、规划和判断，文档 Skill 负责准确、稳定地执行。
六、Agent Skill 的推荐实现方案
1. 建立基础 Skill 层
第一步可以将三类产品能力分别封装为三个基础 Skill：
Document Skills ├── preview-document ├── convert-document └── process-document
每个 Skill 至少应包含：
- 能力说明；
- 适用场景；
- 输入参数定义；
- 输出结果定义；
- 支持范围；
- 调用限制；
- 错误处理规则；
- 权限和安全要求。
Agent 通过 Tool Calling、Function Calling 或其他工具调用机制选择 Skill，并生成符合约束的参数。
2. 增加统一的 Skill Adapter
为了避免 Agent 直接处理复杂的产品接口，可以增加统一的 Skill Adapter。
编辑
Skill Adapter 负责：
- 接收 Agent 生成的结构化参数；
- 校验文件来源和操作权限；
- 提交任务；
- 查询任务状态；
- 处理超时和失败；
- 将错误转换为 Agent 可理解的信息；
- 返回预览地址、结果文件或提取内容。
3. 封装异步任务生命周期
文档预览、转换和内容处理可能需要一定时间，因此不应要求大模型持续阻塞等待。
Skill 应封装完整的任务生命周期：
提交任务 ↓ 获得 taskId ↓ 查询状态或等待结果通知 ↓ 任务完成 ├─ 成功：返回预览地址、结果文件或提取内容 ├─ 失败：返回结构化错误 └─ 超时：进入重试、取消或人工处理
结构化错误可以采用以下形式：
{ "error_code": "FILE_PASSWORD_REQUIRED", "message": "该文件已加密，需要提供正确的打开密码。", "retryable": true, "required_action": "request_password" }
Agent 读取该结果后，可以继续向用户询问密码，而不是直接终止整个任务。
4. 增加能力查询 Skill
文件格式和内容处理能力会持续扩展，因此不建议将全部支持范围永久写死在 Prompt 中。
可以增加一个能力查询 Skill：
name: query_document_capabilities description: 查询当前支持的文件格式、转换目标和内容处理操作。 inputs: capability_type: description: preview、convert 或 process source_format: description: 源文件格式，可选 target_format: description: 目标格式，可选 document_type: description: PDF、Word、Excel 等，可选 outputs: supported: description: 是否支持 capabilities: description: 可用格式或操作列表 constraints: description: 文件大小、密码和页面范围等限制
Agent 在执行不确定的任务前，可以先查询能力范围，再决定下一步操作。
七、从基础 Skill 到业务复合 Skill
预览、转换和内容处理属于原子能力。在实际应用中，还可以围绕业务目标封装更高层的复合 Skill。
| 复合 Skill | 主要能力组合 |
| 合同审查 | 格式转换、文本提取、条款分析、结果预览 |
| 文档归档 | 格式标准化、水印、页码、安全处理、归档 |
| 文档对比 | 文件转换、正文提取、版本差异分析 |
| 正式文件生成 | 清除批注、接受修订、应用模板、导出 PDF |
| 知识库入库 | 格式识别、转换、内容提取、切分和入库 |
| 档案数字化 | 扫描件整理、页面处理、内容识别和归档 |
| 工程资料助手 | CAD 预览、资料查看、文件转换和归档 |
| 三维资产助手 | 3D 模型预览、资料关联和资产信息查询 |
| 研发资料助手 | 代码预览、配置查看和技术文档提取 |
例如，合同审查复合 Skill 可以编排：
识别文件类型 ↓ 转换为标准格式 ↓ 提取正文和表格 ↓ 大模型分析条款 ↓ 生成审查报告 ↓ 创建原文与报告预览
基础 Skill 保持稳定、通用和可复用，复合 Skill 则面向具体业务目标组织调用顺序。
八、Skill 落地需要关注的工程问题
1. 输入输出必须结构化
Skill 参数应使用严格的数据结构定义，明确文件来源、目标格式、页面范围、操作顺序、权限参数和结果交付方式。
2. 操作前进行能力校验
Agent 生成操作计划后，应先检查：
- 文件格式是否支持；
- 当前操作是否适用于该文档类型；
- 多个操作能否组合；
- 文件是否需要密码；
- 用户是否具有操作权限；
- 结果格式是否符合业务要求。
3. 错误信息需要可理解
Skill 不应只返回“任务失败”，而应说明失败原因和可采取的下一步动作，例如需要密码、格式暂不支持、文件损坏、网络文件无法获取或者当前用户没有权限。
4. 建立安全边界
文档 Skill 需要统一处理：
- 文件访问权限；
- 租户和用户隔离；
- 网络文件地址校验；
- 临时访问地址有效期；
- 文件密码和敏感参数保护；
- 下载、打印和复制权限；
- 任务操作日志；
- 结果文件权限继承；
- Agent 操作审计。
对于删除页面、清除批注、接受修订和覆盖文件等可能影响原文的操作，还应增加用户确认机制。
5. 保证任务幂等性
Agent 可能因为网络异常、任务恢复或规划重试而重复调用同一个 Skill。对于相同文件和相同参数，系统应尽量识别重复任务并复用已有结果，避免反复执行高成本操作。原始材料也将文件指纹、结果缓存和重复结果复用列为文档能力的重要组成部分。
九、文档能力与 AI 能力的边界
BaseMetas IDP 的主要职责，是完成确定性的文档操作；大模型的主要职责，则是理解自然语言和文档语义。
二者的分工可以概括为：
| Agent 与大模型 | BaseMetas IDP |
| 理解用户意图 | 获取和识别文件 |
| 拆解任务步骤 | 生成文件预览 |
| 选择适合的 Skill | 转换文件格式 |
| 分析文档语义 | 合并、拆分和修改文档 |
| 判断条款和风险 | 添加水印和安全保护 |
| 生成摘要与报告 | 提取文本、图片和表格 |
| 决定是否需要人工确认 | 返回任务状态和结果文件 |
对于扫描文件文字识别、复杂版面理解、语义分析和文档问答，可以在三类文档能力之上进一步增加 OCR、视觉模型、RAG 和大模型服务。原始材料也明确说明，内容处理产品本身侧重确定性的文档操作，并不等同于 OCR 或 AI 分析平台。
推荐的整体分层为：
用户与业务应用 ↓ Agent 交互与任务规划 ↓ 业务复合 Skill ↓ 预览 / 转换 / 内容处理基础 Skill ↓ BaseMetas IDP 文档能力平台 ↓ 企业文件、存储与业务系统
大模型不直接修改复杂文件，文档服务也不负责替代大模型进行业务推理。这种边界能够同时保证智能性和执行可靠性。
十、结语：让 Agent 获得可靠的文档“眼睛、翻译器和手”
文档类 Agent 真正落地时，面对的不只是自然语言和纯文本，还包括 Office、PDF、OFD、图片、音视频、压缩包、CAD、3D 模型、流程图、代码和电子书等多种企业文件。
仅依靠大模型，难以稳定完成这些文件的预览、转换和修改。
BaseMetas IDP 将文档处理拆分为三类边界清晰的产品能力：
- 文件预览是 Agent 的眼睛，让不同类型的文件都能在线查看；
- 格式转换是 Agent 的翻译器，让不同格式进入统一的业务流程；
- 内容处理是 Agent 的手，让文档可以按照明确规则被提取、修改和生成。
在此基础上增加 Skill 描述、结构化参数、任务状态封装、权限控制和错误处理，就可以将传统文档能力升级为 Agent 能够理解和调用的工具体系。
对于正在建设智能办公、合同审查、知识库、档案管理、云文档、工程资料或者企业级 Agent 的团队而言，真正可靠的实现方式并不是让大模型直接处理复杂文件，而是：
让大模型负责理解和规划，让专业的文档 Skill 负责执行和交付。
当 Agent 同时拥有理解业务的大脑，以及稳定处理文档的工具，它才真正具备从“回答问题”走向“完成任务”的能力。
相关资料
鉴于平台不允许添加产品的地址，如果想进一步了解更多产品的细节，可以搜索BaseMetas IDP进入官网查看产品的技术白皮书
