基于 Dify 的 AI 多维单证自动化处理系统

可拓展方向

• 国际货代：自动扫描并录入海运提单，减少提单号（B/L No.）输入错误。
• 企业财务中心：自动化应付账款（AP）处理，将 PDF 发票直接转化为报销凭证。
• 跨境电商：快速审核装箱单与采购单，实时比对货物重量与体积差异。

项目背景

项目背景 在国际贸易与财务审计场景中，单证处理长期面临以下挑战：

• 人工录入低效：每日处理数百份发票（Invoice）、装箱单（PL）和提单（BL），耗费大量人力。
• 数据质量参差不齐：原始文档常包含错别字（如将 Gross 写成 Gr0ss）、非标排版或中英双语混排，传统 OCR 难以精准结构化。
• 系统孤岛：OCR 提取后的原始文本与企业最终需要的业务报表之间存在“断层”，缺乏逻辑校验与自动汇总能力。

整体架构

graph TD
    subgraph Input
        A[飞书 Webhook 实时监控] -->|推送文件/消息| B[批量手动上传接口]
    end

    subgraph 识别层 OCR & Parse
        C[批量提取节点] -->|PDF/Word/Excel/图片| D[原始长字符串]
    end

    subgraph 路由层
        E[Jinja2 上下文锚点对齐] --> F[LLM 单证类型分类]
        F --> G{发票/合同/提单/其他}
    end

    subgraph 执行层
        H[迭代节点 - 并行运行] --> I[分支1: 发票字段提取]
        H --> J[分支2: 合同字段提取]
        H --> K[分支3: 提单字段提取]
        I & J & K --> L[聚合各单证结构化数据]
    end

    subgraph 数据清洗层
        M[Python 节点] --> N[正则清洗 Markdown 标签]
        N --> O[String → Object 类型转换]
    end

    subgraph 输出层
        P[聚合数据渲染] --> Q[飞书消息卡片推送]
    end

    B --> C
    D --> E
    F --> G
    G --> H
    L --> M
    O --> P

    classDef layer fill:#f0f0f0,stroke:#333,stroke-width:1px;
    class Input,OCR,Class,Exec,Clean,Output layer;

系统通过 Dify 工作流编排，实现了从“非结构化文本”到“结构化决策”的闭环。

• 输入层 (Input)：支持飞书 Webhook 实时监控转发或批量手动上传。
• 识别层 (OCR & Parse)：利用 批量提取 节点将各类文档（PDF/Word/Excel/图片）转为原始长字符串。
• 路由层 (Classification)：通过 Jinja2 模板进行“上下文锚点对齐”，引导 LLM 准确判断单证类型（发票、合同、提单等）。
• 执行层 (Parallel Extraction)：开启迭代节点的 “并行运行” 模式，多分支同步提取各单证核心字段。
• 数据清洗层 (Python Bridge)：利用 Python 节点进行正则清洗，剥离 Markdown 标签并完成 String 到 Object 的类型转换。
• 输出层 (Feishu Card)：将聚合后的数据渲染为飞书消息卡片进行推送。

功能展示：

1.准备3个文件测试

TC01_Invoice_Standard.pdf(发票),TC02_PackingList_Messy.xlsx（装箱单），TC03_BillOfLading_Bilingual.docx（提单）

2.执行工作流

3.查看结果

消息提取后，可以对接任意平台，不论是你飞书，还是企业微信，还是钉钉或者是ERP系统都是可以的

核心亮点

• 极强的容错性：Prompt 注入了“财务审计逻辑”，能自动识别并修正 Gr0ss We!ght 等故意构造的干扰项。
• 并行加速：支持多文件同时处理，显著降低大规模单据处理的等待总时长。
• 数据一致性保障：在 Python 节点中增加了 if not item: continue 过滤逻辑，确保最终报告中不会出现 null 导致的渲染崩溃。
• 中英双语兼容：针对 TC03 等提单文件，系统能同时解析中英文地址与物权主体。

主要能力

• 多维度分类：支持发票、装箱单、提单、采购单、合同、保单、报关单等 7+ 种类型识别。
• 财务勾稽校验：自动验证发票中的“单价 × 数量 = 总额”逻辑。
• 物流属性提取：精准抓取毛重（GW）、体积（CBM）及件数（QTY）等核心物理指标。
• 异常拦截：通过 ELSE 分支识别非单证类“噪音”文件，防止脏数据进入数据库。
• 结构化汇总：将所有迭代结果聚合为单一的 JSON 数组，方便对接下游 ERP 系统。