文檔處理系統栽了：90%的"提取失敗"其實是 intake 順序

你的文檔處理系統準確率 94%，但運營團隊每周還在手動分揀 2000 份混裝文件。問題不在深度學習模型，而在流水線設計時的那個默認假設。

每份上傳都是一份獨立、自包含、角色明確的文檔——這個假設在生產環境里崩得比想象中快得多。

真實工作流接收的往往是混裝包：發票粘著收據、KYC 表格夾著身份證掃描件、理賠單混著十幾頁佐證材料。如果原封不動塞進同一條提取路徑，下游的解讀難度會呈指數級上升。

故障表現從不驚天動地，全是運營層面的慢性消耗。字段錯位、上下文丟失、人工復核隊列積壓——這些被歸類為"提取問題"的癥狀，根源其實是 intake 順序問題。

為什么先分揀比先"變聰明"更重要

如果讓我從零設計，我會在深度提取之前加一個分揀層（triage layer）。這層不需要做復雜的事，把幾件簡單的事做好就夠：

識別每頁的文檔類型、標記主次關系、按業務角色重新排序。精度不必追求完美，哪怕只是 modest 的分揀步驟，也能讓后續的提取和復核邏輯清晰很多。

具體收益有三點。

第一，錨定頁識別讓字段映射有據可依。系統知道哪一頁是案件核心，后續的結構化解讀就有了坐標原點。混裝包里最常見的混亂是"這個日期到底屬于發票還是合同"，錨定頁能解決 80% 的此類歧義。

第二，復核員能直接看到頁面角色和包結構，不用在腦海里手動重建案件脈絡。一個保險理賠審核員曾向我描述她的日常：打開 PDF，先花 3 分鐘翻頁判斷"這是什么"，才能開始真正的審核工作。分揀層能把這 3 分鐘壓縮到 3 秒。

第三，提取路徑可以按角色拆分，而非用一條巨型邏輯覆蓋所有可能的頁面組合。維護成本下降，邊界情況減少，系統行為更可預測。

代價與常見陷阱

分揀層當然有 tradeoff：延遲增加、架構變復雜、需要維護文檔類型清單。但在大多數混裝包場景里，這些代價低于"強迫每頁走同一套邏輯"的長期成本。

輕量實現可以從這幾步起步：基于規則的首頁分類、置信度閾值觸發的人工復核隊列、簡單的頁碼重排邏輯。把這些跑穩之后，再投資更復雜的提取行為。

一個常見錯誤是把復雜度優先塞進提取器。這往往讓輸出看起來"更智能"，卻讓整條流水線更難信任——黑箱模型輸出了漂亮的結果，但你不知道它把收據上的金額錯掛到了發票字段，直到客戶投訴。

很多文檔系統的可靠性提升，并非因為提取層變強了，而是因為 intake 路徑變得更克制、更有紀律。

模板功能讓你快速回復常見問題或存儲可復用片段——但前提是，你得先知道自己在回復哪一類問題。分揀層做的，就是給后續所有自動化一個清晰的上下文起點。