003 · 财务资料与数据整理
用 WorkBuddy 从 PDF、Word 和表格中批量提取信息
一、这个场景能帮你做什么
合同、银行回单、发票、报价单和业务报表经常分散在 PDF、Word、Excel 等不同格式中。财务需要的通常只有其中一部分信息，例如交易双方、合同金额、签署日期、付款条件、发票号码或回单金额。人工逐份打开、复制再粘贴到台账中，速度慢，也容易漏掉来源。
WorkBuddy 可以在指定文件夹中盘点文档，按照你提供的栏目清单逐份提取信息，再汇总成统一台账。每个结果可以保留来源文件、页码、工作表和原始位置，无法识别、存在多个候选值或前后冲突的内容进入待确认清单。
这个场景的关键是：每个提取结果都能回到原文核对，无法确认时宁可留空。
二、开始前需要准备什么
1. 原始文档的副本
把本次需要提取的 PDF、Word 和 Excel 复制到独立目录，保留原始文件不动。建议按资料来源或业务类型做初步分组，例如“采购合同”“销售合同”“银行回单”“对账单”。不要把完全无关的资料一次混在同一个任务中。
如果文件包含扫描版 PDF 或图片，需要确认当前 WorkBuddy 环境是否支持读取这类文件。模糊、旋转、缺页或加密文件应单独列出，不能假设都能准确识别。
2. 需要提取的栏目清单
栏目必须写清含义。以合同台账为例，可以要求提取：
- 合同名称；
- 合同编号；
- 甲方和乙方；
- 签署日期；
- 生效日期；
- 合同总金额及币种；
- 是否含税；
- 付款节点和付款条件；
- 开票要求；
- 合同期限；
- 责任部门和经办人。
“日期”“金额”“公司名称”这类栏目过于宽泛，应说明具体要哪一种日期、哪一个金额和哪一方主体。
3. 输出模板
最好提前准备一张空白台账，明确栏目顺序、日期格式、金额单位和是否允许一份文件输出多行。如果没有现成模板，可以先让 WorkBuddy 根据栏目清单生成表头，再由财务确认。
建议在业务栏目之外增加：来源文件、来源页码或工作表、原文摘录、提取状态、待确认问题。
4. 无法识别时的处理规则
提前约定：
- 原文没有该内容时填“未发现”，不要猜测；
- 内容存在但无法清晰识别时填“无法识别”；
- 同一栏目出现多个不同值时全部保留并标记冲突；
- 文档存在补充协议时，原值和变更后的值都要记录；
- 金额和日期不得根据上下文自行补齐。
三、具体怎么做
第一步：盘点文件和可读取状态
先让 WorkBuddy 输出文件名称、格式、页数或工作表数量、是否能够读取，以及疑似重复或版本相近的文件。对于无法打开、加密、内容为空、扫描质量差的文件，先进入异常清单。
这一步要核对任务输入是否完整，避免文件根本没有读取，却在最后被当作“没有发现相关信息”。
第二步：确定栏目与原文位置
把栏目清单和解释交给 WorkBuddy，让它在少量样本文件中试着提取。要求结果同时显示栏目值、来源文件、页码或工作表、原文摘录和提取状态。
例如合同里可能同时出现合同总额、首付款、尾款、违约金和最高赔偿金额。WorkBuddy 需要按照栏目定义提取“合同总金额”，其他金额不能误填；若定义仍不足以判断，应把多个候选值交给人工确认。
第三步：先做样本提取
从不同文件类型中各选几份样本，例如文本 PDF、扫描 PDF、Word 和 Excel。查看：
- 甲乙方是否因文档格式不同发生对调；
- 日期取值是否符合定义；
- 金额、税额和币种是否完整；
- 表格中合并单元格是否造成错列；
- 一份文件出现多条业务时是否正确拆行；
- 页码和原文位置能否回查。
样本准确后再批量处理。发现栏目定义有歧义时，先修订规则，不要带着错误规则扩大范围。
第四步：批量提取并保留证据
批量运行时，每一行结果都要带来源。WorkBuddy 不能把不同文件中的内容拼成一条记录，也不能用前一份文件的信息补后一份文件的空值。
提取状态建议统一为“已提取、未发现、无法识别、存在冲突、待人工确认”。这样既能筛选有效数据，也能快速定位需要重新查看原文的文件。
第五步：输出台账和异常清单
最终输出两类内容：一份完整提取台账，以及一份异常清单。异常清单至少说明文件名、问题类型、受影响栏目、原文位置和需要人工完成的动作。
如果需要继续做合同付款检查或发票核对，应在提取台账通过验收后另开任务，不要在信息尚未确认时直接下财务结论。
四、可以直接交给 WorkBuddy 的要求
下面以“从合同中提取台账”为例。其他文档只需要替换栏目清单和解释。
请处理我提供的 PDF、Word 和 Excel 合同文件。本轮先盘点文件并进行样本提取，不要修改原文件。
任务目标：从每份合同中提取指定信息，生成能够回到原文核对的合同台账。
需要提取的栏目：合同名称、合同编号、甲方、乙方、签署日期、生效日期、合同总金额、币种、是否含税、付款节点、开票要求、合同期限、责任部门、经办人。
栏目规则：
- “合同总金额”只填写合同整体价款，不要把首付款、尾款或违约金当成总额。
- “签署日期”和“生效日期”分别提取；原文没有时不要互相代替。
- 同一栏目出现多个不同值时全部保留，标记“存在冲突”。
- 补充协议涉及金额或期限变更时，记录原值、变更后值和对应文件。
- 原文没有内容时填“未发现”；内容模糊或无法读取时填“无法识别”，不得猜测。
执行要求：
1. 先输出文件总数、格式、页数或工作表数及可读取状态。
2. 从不同格式中选择样本进行提取，先不要处理全部文件。
3. 每个栏目同时记录来源文件、页码或工作表、原文摘录和提取状态。
4. 一份文件存在多份合同或多条业务时分行记录，并说明拆分依据。
5. 输出样本台账和异常清单，等待我确认栏目定义后再批量处理。
确认样本后，再发送：
样本提取规则已经确认，请处理全部文件。继续保留每个栏目的来源位置和状态，不要补写原文没有的信息。
完成后输出：
1. 完整信息提取台账；
2. 未发现、无法识别、存在冲突和待人工确认的异常清单；
3. 文件数量与台账记录数量核对表；
4. 每份文件的处理状态。
五、完成后会得到什么
你应该得到：
- 统一信息台账：把不同格式文件中的指定内容放进同一张表格；
- 来源追溯信息：每个结果对应原文件、页码、工作表或原文摘录；
- 异常清单：集中记录缺失、模糊、冲突和无法读取的内容；
- 处理核对表：说明收到多少文件、成功处理多少、异常多少、生成多少条记录。
这份台账可以继续用于检索、合同管理、对账或后续分析，但应先通过人工验收。
六、结果应该怎么检查
- 核对文件总数，确认没有漏掉无法读取或格式特殊的文件；
- 从每种文件格式中抽查样本，回到原文核对栏目值；
- 重点核对交易主体、日期、金额、币种、税率和付款条件；
- 检查同一文件中的多个金额是否被填入了正确栏目；
- 检查“未发现”和“无法识别”是否被错误写成空白或零；
- 确认补充协议没有被当作独立无关合同，也没有覆盖原合同记录；
- 核对来源页码、工作表和原文摘录能否准确定位。
用于付款、开票、入账或审计的关键栏目应逐项复核，不能仅抽查。
七、遇到这些情况怎么处理
同一文档出现多个日期或金额
先按照栏目定义分类。如果仍无法判断，让 WorkBuddy 保留所有候选值、原文位置和上下文，由财务人员确认。
扫描 PDF 无法稳定识别
把该文件标记为“无法识别”或“内容不清楚”，重新取得清晰版本，或由人工录入。不要用文件名和其他文档推测内容。
一份文件包含多条业务
根据合同编号、订单号、发票号等明确标识拆成多行，并保留相同的来源文件。没有可靠拆分依据时保持一行并标记待确认。
Excel 中有多个工作表
先确定哪些工作表是数据，哪些是说明、模板或汇总。每条结果保留来源工作表和原始行号，避免同一数据从明细页和汇总页重复提取。
文件存在多个版本
先按文件名、修改日期和正文差异建立版本清单。未经确认不要自行选择“最终版”，也不要把多个版本的值混在一起。
八、哪些可以交给 WorkBuddy，哪些必须人工决定
WorkBuddy 可以盘点文件、读取支持的文本和表格、按栏目提取信息、保留来源、生成台账及异常清单。
财务人员必须定义栏目含义，确认多义日期和金额、版本关系及冲突内容，并复核会影响付款、入账、税务和合同责任的关键数据。WorkBuddy 提取到的信息属于整理结果，不自动构成合同解释、会计判断或法律结论。
涉及身份证号、银行账户、薪酬和商业合同等敏感信息时，先确认访问权限、处理环境和保存要求，再交给 WorkBuddy。