办公 AI 的常见误差往往从模型看到文档之前就开始了表格中的列名丢了批注混进正文了脚注里的限制条件被截断了。等模型接到一段看似完整的文本它可能已经失去了判断业务含义所需的关系。因此可靠的实现链路需要连续回答三个问题原文的结构是否保留下来生成结果是否符合数据与业务规则结果是否具备进入下一步工作流的条件任何一个环节缺位都可能让“提取成功”与“任务完成”之间出现明显落差。一、结构保真让模型知道一句话属于哪里。文档的含义不仅来自文字也来自位置、层级和关联关系。标题决定段落讨论的范围表头决定数字的含义列表层级表达条件与从属关系引用块区分他人观点与正文陈述批注则可能记录尚未确认的修改意见。资料《办公软件开放AI接口形态、实战与避坑指南》指出办公文档包含标题、表格、列表、引用块和批注接口传递上下文时如果将这些结构拍平成纯文本会使模型难以理解表格与相邻段落之间的关系。该资料提出可以通过 Markdown、JSON 或接口支持的结构化上下文参数保留文档元素。这意味着预处理阶段的目标应包括“保留关系”。例如下面是一份用于说明结构问题的假设性表格部门本期费用万元上期费用万元技术部90100如果提取结果只剩下“技术部 90 100”模型需要猜测两个数字分别代表什么如果单位也被丢弃后续报告还可能出现数量级错误。保留表头、单位及其归属才能为计算和解释提供依据。对于摘要、改写等以阅读为主的任务Markdown 通常便于表达标题、列表和简单表格。对于字段提取、校验和工作流执行可以设计 JSON 中间表示显式记录元素类型、来源位置及关联对象。具体采用哪种形式应取决于下游需要检查什么。一个可供实现参考的文档元素结构如下字段为设计示例{ document_id: doc-example, version: v1, element_id: table-01, type: table, section_path: [经营分析, 费用变化], source_location: { page: 3 }, unit: 万元, columns: [部门, 本期费用, 上期费用], rows: [ [技术部, 90, 100] ], related_notes: [note-01] }其中element_id用于定位原始元素section_path保存章节归属related_notes连接表格与说明。这些字段能够支持结果追溯也方便程序在模型输出后重新读取对应数据进行校验。二、异构文件先统一表达再处理业务含义。办公任务通常涉及多个来源正文描述需求邮件补充条件PDF 提供合同依据图片包含附件信息。不同文件的解析结果需要进入一套可比较、可追溯的中间表示。资料《【深度分析】ServiceNow借力AI驱动工作流自动化推动企业价值跃升》将读取、理解和提取文档、PDF、电子邮件、图片等多种格式的信息列为 AI 代理所需的能力该文还介绍Now Assist 可以总结文档、支持工单和邮件并生成智能回复。这说明企业工作流的内容入口具有多种形态但这些能力描述本身不能证明某个具体任务已经达到所需的准确性。工程上可以为不同格式配置各自的解析入口再统一输出文档、章节、段落、表格、批注、附件等元素。图片或扫描件如果需要识别文字也应继续保留其文件来源和页面位置方便复核。统一过程中有几项关系尤其需要保存正文与批注的关系批注可能是建议或疑问需要明确标记其身份。邮件与附件的关系附件中的条件可能只适用于特定邮件或业务对象。表格与脚注的关系单位、统计范围和例外说明会影响数字解释。不同版本的关系应依据业务指定的版本选择规则确定有效内容避免直接拼接后交给模型自行判断。当一次请求无法容纳全部内容时分块也应尽量以章节、完整表格或业务对象为边界。只按固定字符数切割可能把表头与数据行分开把条款与例外条件分开。跨块引用则需要携带必要的关联内容否则结构虽然保存在系统中模型实际收到的上下文仍然不完整。三、字段校验让输出成为可检查的数据。结构化输入之后还需要结构化输出。直接让模型生成一份措辞流畅的分析报告会把数据提取、计算和表述揉在一起增加检查难度。更容易落地的方案是先要求模型输出候选事实再由程序校验最后根据通过校验的事实组织文字。候选事实可以包含字段值、单位、来源元素、来源版本以及“待确认”状态。字段校验可以从三层展开格式层日期能否解析金额能否转换为数值必填字段是否缺失。取值层币种、部门、工单状态等是否属于允许范围。业务层起止日期是否合理审批条件是否满足所引用的文档版本是否有效。这些规则需要业务方明确给出。例如“缺少付款期限时暂停处理”应成为可执行条件。仅在提示词中写“请仔细检查”难以替代稳定的字段约束与流程控制。遇到来源缺失或冲突时输出协议也应允许模型返回“无法确定”并附上冲突位置。强制所有字段都有值容易让信息不足被掩盖在完整的输出格式之下。四、数字交叉验证把计算结果与文字结论一起检查。数字问题既可能来自读取也可能来自计算或解释。模型即使复制了正确的数值仍可能把下降写成增长把环比写成同比。《办公软件开放AI接口形态、实战与避坑指南》建议对涉及数字、日期、合同条款、法律法规的生成内容进行规则校验或人工复核并提到数字交叉验证可以作为质量兜底手段。沿用前面的假设数据本期费用为 90 万元上期为 100 万元。按以下公式计算变化率 本期值 - 上期值/ 上期值 90 - 100/ 100 -10%程序可以独立计算变化率再检查生成文本中的方向和数值是否一致。如果结果写成“费用增长 10%”即使句子自然也应进入修正流程。计算之前还要确认两个数值是否具有可比性指标含义、统计周期、单位和统计范围是否一致。对于上期为零、数据缺失或口径不一致的情况需要设置单独的处理规则。公式正确只能保证特定输入下的运算正确不能保证输入具有业务上的可比性。五、人工复核围绕证据检查关键结论。人工复核最有价值的对象是规则难以充分覆盖、同时会影响业务决策的内容例如合同条款解释、多个文件之间的冲突以及例外条件是否适用。复核界面应把生成结论与依据放在一起至少展示原文位置、引用版本、提取字段、计算过程和未通过的规则。这样审核者可以快速定位争议而无需重新通读所有附件。审批也需要绑定具体版本。可以将输入文档版本、生成结果版本和审核状态一并记录当关键输入变化后重新判断已有审批是否仍然有效。否则已经审核的内容与实际执行的内容可能发生偏离。六、工作流执行让通过校验成为明确的前置条件。文档理解负责提供候选事实规则与人工复核负责确认可用结果工作流系统再根据确认后的状态执行动作。三者之间需要清晰的接口。一种可采用的状态流转是已解析 → 已提取 → 校验通过 → 待审核 → 已批准 → 已执行校验失败应进入修正或补充材料流程审核未通过应记录原因。对于创建工单、更新业务字段等动作还应使用任务标识防止重复执行并保留执行结果便于追踪。权限也属于这条链路。《办公软件开放AI接口形态、实战与避坑指南》区分了服务账号调用与用户身份调用前者使用应用自身的权限后者继承调用用户的权限。实际接入时需要将读取来源文档与执行业务动作所需的权限分别核对并遵循最小权限原则。七、适用范围与局限按任务风险确定自动化深度。这套方法适合来源明确、字段相对稳定、业务规则能够表达的场景例如周报数据汇总、工单分类、邮件待办提取以及合同关键字段初筛。对于这些任务结构化上下文能提供证据基础程序规则能检查明确约束人工审核能处理例外情况。它仍有边界。复杂排版可能解析错误扫描件可能缺字多文件可能存在冲突业务规则也可能尚未形成统一定义。Markdown 或 JSON 可以保留已经识别出的关系但无法自动补回解析阶段遗漏的信息字段格式全部通过也不能证明法律解释或业务判断正确。落地时可以先选择一个范围有限的任务例如“从指定版本的费用表提取数据计算变化率并生成待审核说明”。围绕它建立来源定位、字段校验、独立计算和审核记录再逐步扩大自动执行范围。每增加一种文件格式、一类业务规则或一个执行动作都检查其输入依据与失败处理方式才能让办公 AI 的能力边界保持清晰。参考资料以下链接为本文使用的公开资料。事实依据与检索摘录保存在本地记录中资料内容与适用范围以原始页面为准。办公软件开放AI接口形态、实战与避坑指南【深度分析】ServiceNow借力AI驱动工作流自动化推动企业价值跃升