通用 OCR 和业务文档不是一回事
身份证、印刷体发票，市场上很多引擎已经能用。进到年报无线表、跨页 BOM、红头文件、双栏试卷、带公差符号的图纸，规则模板会碎，纯大模型直接读 PDF 又会把阅读顺序读乱。智能文档要解决的是：扫描件和版式复杂的 PDF，如何变成能进信贷、底稿、案件系统、ERP、知识库的结构。
三函代码这条线做三件事：图像能先处理再认；版面按人的阅读顺序拆开；字段带着原文位置交给人和智能体。和私有化智能体一起用时，OCR 负责「看懂纸」，智能体负责「写进系统」。
能力清单
| 项 | 说明 |
|---|---|
| 版面分析 | 标题层级、双栏/多栏、页眉页脚、图文混排，按人的阅读顺序还原，而不是从上到下乱切。 |
| 表格 | 有线表、无线表、合并单元格、跨页表。财报、BOM、统计表按行列还原，可出 HTML / JSON。 |
| 字段抽取 | 在理解语义后再抽：账号、文号、税额、图号、案号。结果尽量带回原文坐标，方便核对。 |
| 公式与符号 | 论文、试卷、工艺说明里的公式、上下标、工程符号，可转成可检索文本或 LaTeX。 |
| 印章与手写 | 公章、手写文号、批注在扫描件上很常见。能识的识，识不准的标出来，不编造。 |
| 图像预处理 | 老档案常见弯曲、摩尔纹、光斑、倾斜。先矫正再识别，否则后面抽取全是错。 |
| 长文档 | 招股书、标书、年报、技术手册可以整本进。拆段时尽量保持段落完整，给知识库和智能体用。 |
| 格式 | PDF、OFD、Word、Excel、常见图片和扫描件。原生 CAD 源文件不在本页范围，按导出的 PDF/扫描图处理。 |
按行业：文档长什么样，抽出去干什么
引擎是一套，字段和下游系统按现场配。下面不是口号，是进场时要对着样张验收的东西。
金融
- 对公/个人流水：发生额、期末、对手方
- 征信：负债、担保、逾期、查询次数
- 中登证明：登记编号、出质人、期限
- 年报与研报：有线/无线表、附注段落
- 信贷进件材料分类与字段进信贷系统草稿
审计
- 银行回函与发函底稿逐户核对
- 抽凭：凭证对发票、合同、出库单
- 报表与附注抽取，和科目余额勾稽
- 底稿封面索引号识别，辅助归档
- 全部在所内网，账套和回函不出所
律师 / 法务
- 合同：期限、违约、管辖、知识产权条款摘录
- 裁判文书：案号、当事人、主文、期限
- 证据扫描件分类编目
- 尽调材料按清单做事实摘录，不做法律结论
- 卷宗不出所，审查意见由律师签
教育 / 科研
- 试卷：题干、选项、手写答、分数栏
- 教材与讲义：双栏、公式、插图题注
- 论文：图表、参考文献、公式还原
- 档案扫描件进知识库，保留阅读顺序
- 教务材料可内网部署，试卷不上传公网
制造 / 研发
- 工程图纸 PDF/扫描件：标题栏、图号、版本
- 图内或附图 BOM 表、跨页物料表
- 工艺卡、质检报告、作业指导书
- 多语种手册段落化，给售后和 PLM 检索
- 图纸和配方走内网，不进公有云知识库
贸易 / 财务共享
- 发票、银行回单、报销单
- 合同与对账单交叉核对金额、相对方
- 提单、箱单、报关单等口岸单据（多语言）
- 抽完由智能体写入财务软件或 ERP，过账人点
一条文档在系统里怎么走
- 文件进内网目录或业务系统附件：扫描件、手机拍的、导出的 PDF 都有。
- 质量差的先做矫正（倾斜、弯曲、摩尔纹、切边），再进识别。
- 版面分析拆出段落、表格、图、公式；跨页表尽量拼回一张逻辑表。
- 按场景抽字段，或整页结构化给知识库。抽取结果尽量带页码和坐标，人和模型都能点回原文。
- 私有化智能体把字段写入信贷、底稿、案件、ERP、财务软件。没有 API 就按页面填。过账、报税、开票、法律意见、审计意见仍由人点。
给知识库和智能体用时，解析质量决定后面全盘
企业知识库答不准，经常不是模型笨，是双栏被切成「左半句+右半句」、表头和数字错位、公式变成乱码。解析要先给出阅读顺序正确、表格完整的块，再向量化。智能体填系统时也一样：流水期末余额抽错，后面信贷草稿就全错。所以文档引擎不是聊天的附属品，是内网智能体的眼睛。
必须内网的材料
征信、流水、审计回函、律师卷宗、未公开图纸、试卷题库，按制度不能出域。解析服务部署在客户内网或隔离网；模型与引擎都在指定环境。ocr.sanhan.cc 可先看识别效果，真实底稿和卷宗不要发到公网。
边界，避免验收时扯皮
- 极低质量复印件、严重遮挡、纯手写潦草，会降准。预处理能改善，不能保证和印刷体一样。
- 图像是否被修过，只能提供辅助线索，不替代鉴定机构结论。
- 不代替注册会计师出具意见，不代替律师出法律意见，不代替开票和报税提交。
- 原生 DWG/CAD 源文件请先出 PDF 或扫描图再进本引擎。
- 字段模板按样张配置。没有见过的全新版式，需要用真实样张验收，而不是口头保证「什么都能抽」。
进场请带样张
每类业务请准备 3～5 份打码真实件：流水首页、回函、合同关键页、试卷一页、图纸标题栏、一张跨页表。比需求 PPT 有用。评估发到 market@sanhan.cc。