分离提取、解释与操作
文档自动化不是一步完成的。系统可能需要接收文件、提取文本、定位相关数值、解释它们并提出记录更新建议。每个阶段可能会以不同方式失败。
从狭义的文档类型和约定的输出开始。“处理所有文档”的请求掩盖了布局、语言、扫描质量和业务含义的差异。使用经过清理的代表性文件，包括困难的示例。
保持与源文件的连接
| 阶段 | 需保留的输出 | 验证 |
|---|---|---|
| 接收 | 文件标识符和允许的类型 | 大小、内容和访问检查 |
| 提取 | 文本及其位置（如有） | 空白或无法读取页面检测 |
| 解释 | 建议字段和源引用 | 架构和业务规则检查 |
| 审核 | 接受的值和更正 | 指定审核人 |
| 更新 | 保存的记录和操作历史 | 授权和重复保护 |
模型可能会生成文件中未出现的合理值。优先使用显示源段落与建议字段并列的审核界面。明确标记缺失或模糊数据，而非强制猜测。
防止文档文本成为权威
文档可能包含恶意指令。处理工具不应执行要求将文件发送到其他地方或更改权限的段落。服务器端应强制存储访问、允许的目标和操作范围。
在将私密材料发送给外部模型前，决定保留策略和供应商处理方式。避免在通用应用日志中记录原始文档内容。这是与数据所有者达成的实现边界，而非普遍合规承诺。
以受控审核路径发布
测试重复上传、无法读取的文件、冲突值和供应商超时。确认重新处理不会产生重复记录。先从人工批准更新开始，然后仅在错误处理和所有权得到验证的狭义自动化场景中考虑自动化。
一个实际问题
无法读取的文档应如何处理？
将其保留在明确的审核或提取失败状态。适当时请求更好的源文件。不要为了满足输出架构而伪造数值。