月底报销，财务把一沓发票拍照上传，让 AI 汇总金额和开票方。结果总额差了两百多，查了半天发现其中一张的「7」被认成了「1」。同一批文件里的电子发票 PDF 直接读，一点问题没有。扫描件和电子版混着处理，是文档类 AI 最常见的翻车点。这篇按四类文档分开讲，说清各自适合谁、要付什么代价、什么情况下会失效。
差别不在清晰度，在于是字还是像素
电子版文件里存的是字符编码，AI 拿到的是「金额 1280.00」这样一段文本，位置、字号、表格结构都是附带信息。扫描件存的是图像，纸面上每个字都是像素，必须先由识别模型把像素翻回字符，才有后面的理解。这一步的输出是一串带坐标的文字，坐标一旦错位，表格的行列关系就跟着乱。多模态模型能直接看图，省掉显式识别，但读长文档时仍然依赖文字层，原因在最后一节说。
四类文档，四条路径
按来源和形态分，处理方式和代价差别很大：
| 类型 | 适合谁 | 代价 | 失效条件 |
|---|---|---|---|
| 电子版原生文件 | 报告、说明书、制度文件、电子发票 | 不同解析器对版式支持不一，双栏与跨页表格要单独调 | 文件加密、扫描后另存成图片、字体嵌入异常时，读出来是空的 |
| 清晰扫描件 | 证照、档案、纸质发票的批量归档 | 多一道识别工序，速度慢，关键字段要人工抽检 | 倾斜、阴影、印章压字、手写批注，识别率会明显下降 |
| 低质量拍照件 | 历史档案、传真件、手机随手拍的材料 | 关键字段几乎只能靠人工录，AI 只做辅助定位 | 分辨率过低或压缩过度时，数字与相似字大面积混淆 |
| 表格与票据 | 对账单、清单、报价单 | 行列对齐易错，需要按字段逐列校验 | 合并单元格、跨页续表、无表头时，结构会被读平 |
误判往往从「电子版没风险」这句话开始。很多人以为电子版等于零风险，实际上原生文件的坑在版式而不在文字：双栏被读成一行接一行，脚注混进正文，页眉页脚反复出现。这些错误不影响大意，影响的是引用，你让它摘一句原文，它可能把两栏的话拼在一起。
错一个字，后面全跟着错
识别错误不会停在那一个字上。金额错一位，汇总就错；日期错一天，时效判断就错；编号错一个字符，检索就查不到。更麻烦的是错误很安静，模型拿到错字之后照样流畅地总结，读者看不出哪里不对。这类结果和幻觉的机制不完全一样，后果相似，都是把不确定的东西写成了确定的样子，可以看AI 幻觉为什么难被发现。防线只能建在前面：数字、日期、编号、单位、人名这几类字段单独挑出来，逐条回原文核对。
图片型 PDF 是最隐蔽的一类
它后缀是 PDF，打开也正常，里面却一个字符都没有，全页都是图。判断方法很土但有效：在文件里试着选中一段文字，选不中就说明是图片。这类文件如果不先识别，交给 AI 的结果要么是空白，要么是它根据文件名猜出来的内容。批量处理前先做一次探测，把纯图片页挑出来单独走识别流程，能省掉大量返工。
它能读完一百页，读不出这一页的分量
边界有三层。第一层是判断力：一份协议里哪条是真正的约束、哪句是套话，取决于你的处境和议价能力，模型只能按常见写法给提示。第二层是责任：材料报错了、数字填错了，签字的人负责，工具不承担。第三层是长度：超长文档会被截断或压缩，中间部分容易丢，上下文窗口为什么有限能解释这个限制的来历。真要做严谨比对，把文档按章节切开分别处理，比一次性丢进去可靠得多。
先核对，再分析
可操作的顺序要反过来用：不要先让 AI 总结再抽查，而是先把关键字段抠出来人工过一遍，确认无误之后再交给它做归纳、比对、写摘要。前者错在源头，后者错在末端，修起来的成本差一个量级。批量处理再加一道：随机抽十份做全字段核对，错一处就把这一批的同类字段全部重查。至于图文混排的识别原理，可以看多模态 AI 怎么同时读文字和图像。
速查：一份文档该走哪条路
- 能选中文字，直接解析；选不中，先做识别
- 扫描件先看倾斜与印章，再决定是否值得自动处理
- 数字、日期、编号、人名，四类字段必回原文核
- 长文档按章节切，别指望一次塞完
- 批量任务先抽十份全字段核对，再放量
