> For the complete documentation index, see [llms.txt](https://yeasy.gitbook.io/claude_guide/llms.txt). Markdown versions of documentation pages are available by appending `.md` to page URLs; this page is available as [Markdown](https://yeasy.gitbook.io/claude_guide/di-si-bu-fen-shi-zhan-pian/09_practical/9.2_doc_processing.md).

# 9.2 文档处理与知识库

IDP (Intelligent Document Processing) 是企业自动化的“深水区”。 传统 OCR 只能把图片转成文字，但还是非结构化的。Claude 的视觉能力和长文本理解能力，使其能够将非结构化文档转化为 **结构化数据 (JSON)**。

## 9.2.1 场景案例：非标财务文档抽取

一家投资机构每天收到上百份 PDF 格式的商业计划书 (BP) 和财务报表，格式各异。

### 传统方案 vs Claude 方案

| 维度        | 传统 OCR + 正则表达式 | Claude Vision + JSON Mode |
| --------- | -------------- | ------------------------- |
| **格式适应性** | 极差，换个模板就挂      | 极强，基于语义理解                 |
| **表格提取**  | 经常错位           | 能完美理解跨页表格                 |
| **手写体识别** | 困难             | 极高准确率                     |
| **推理能力**  | 无（只能提取表面文字）    | 有（能计算“同比增长率”）             |

## 9.2.2 实战：复杂财务报表提取

假设我们有一张这种扫描件（图片），里面包含一个复杂的“资产负债表”，甚至有跨页和合并单元格。

### Input Prompt

> “这张图片是公司的资产负债表。请提取其中的关键财务数据，并验证数据是否平衡（资产 = 负债 + 所有者权益）。如果发现不平衡，请在 `validation_error` 字段中标注。请严格按照以下 JSON Schema 输出。”

### Output JSON

```json
{
  "company_name": "Future Tech Inc.",
  "report_date": "2025-12-31",
  "currency": "USD",
  "assets": {
    "current_assets": {
      "cash": 5000000,
      "accounts_receivable": 2000000,
      "inventory": 1500000
    },
    "non_current_assets": {
      "property_plant_equipment": 10000000,
      "intangible_assets": 500000
    },
    "total_assets": 19000000
  },
  "liabilities": {
    "current_liabilities": 4000000,
    "long_term_liabilities": 5000000,
    "total_liabilities": 9000000
  },
  "equity": {
    "share_capital": 8000000,
    "retained_earnings": 2000000,
    "total_equity": 10000000
  },
  "validation": {
    "is_balanced": true,
    "calculation": "19000000 = 9000000 + 10000000"
  }
}
```

**Claude 的神奇之处在于**：即使原图中没有显式写出 `total_assets` 的数字，它也能通过计算推导出来；或者如果原图数字有误（扫描模糊导致），它能根据会计恒等式发现并标记。

## 9.2.3 场景案例：企业知识库的语义增强

很多公司积累了大量的 Wiki，但传统关键词搜索经常搜不到。

RAG（检索增强生成）把企业文档变成可检索的知识库，让 Claude 基于检索到的片段作答并标注来源：

```mermaid
graph LR
    subgraph OFF["离线：构建索引"]
        D["企业文档 / Wiki"] --> C["分块"] --> E["向量化"] --> V[("向量库")]
    end
    Q["用户提问"] --> R["语义检索<br/>Top-K 相关片段"]
    V --> R
    R --> M(("Claude<br/>要求逐条引用"))
    M --> A["带来源溯源的回答<br/>(Ref: Doc, Page X)"]
```

### 语义搜索与引用溯源

Anthropic API 引入了更精准的 **Citations** 能力（自 2025 年初上线，现行模型均已支持）。在 RAG 系统中，我们要求 Claude 不仅回答，还要告诉我们“你是看哪一行知道的”。

**User Question**: “公司差旅标准里，打车费有限额吗？”

**Claude Response**:

> 根据《员工差旅管理制度 V2.0》第 4 章第 2 条：
>
> 1. 一般员工在一线城市（北上广深）打车限额为 **150 元/天**。`(Ref: doc_travel_policy.pdf, page 12, para 3)`
> 2. 如果加班至 22:00 以后，通过企业用车平台打车 **不设上限**。`(Ref: doc_travel_policy.pdf, page 12, para 5)`

**技术实现**: 在 System Prompt 中强制要求：`Every claim must be followed by a citation like [Source: Doc Name, Page X].`

## 9.2.4 最佳实践：Human-in-the-Loop Review

尽管 Claude 很强，但在处理财务数据（Invoice Processing）时，准确率要求是 100%。

**基于置信度的混合工作流**:

1. **AI 处理**: Claude 提取发票信息，并输出一个 `confidence_score` (0.0 - 1.0)。
2. **自动分流**:
   * `score > 0.98`: **直通** -> 自动调用 API 录入 SAP 系统。
   * `score <= 0.98`: **人工审核** -> 推送到审核人员界面。
3. **UI 辅助**: 在人工审核界面，使用 bounding box 将 Claude 提取的区域在原图上高亮显示，审核员只需肉眼扫一眼，确认数字无误点击“通过”。这比纯人工录入快 10 倍。（注：Claude 视觉 API 本身不返回像素级坐标；bounding box 通常由 OCR/版面分析层提供，再与 Claude 的抽取结果对齐。）

***

如果说文档处理是把“死数据”变活，那么数据分析就是从“活数据”中挖掘黄金。 Claude 不仅能看懂 Excel，还能自己写 SQL 查数据库，这就是 **Text-to-Insight**。

➡️ [数据分析助手](/claude_guide/di-si-bu-fen-shi-zhan-pian/09_practical/9.3_data_analysis.md)