智能体 AI
智能体自动化
行业解决方案
业务解决方案
智能体AI 解决方案
客户案例
合作伙伴
生态联盟
咨询服务
交流社区
客户成功
产品文档
公司介绍
新闻列表
联系我们
加入我们
一、一封带附件的邮件，凭什么要占用一个人半天？
清晨七点五十，外贸企业的单证员打开邮箱，昨夜积压了两百多封邮件。有的附件是客户订单 PDF，有的是扫描的合同签署页，有的是手机拍的采购确认截图，还有几封正文里直接写了订单要求、没有附件。她的工作流程是固定的：打开附件、读懂内容、判断是哪个客户哪张单、复制字段、粘贴进系统、回信确认、归档。一封邮件平均两三分钟，两百封就是一整个上午。问题不在她慢，而在这件事的本质：企业的业务入口是文档，而系统的入口是字段。这两者之间的落差，长期以来由人的眼睛和手指填补。文档处理智能体要做的，就是把这段落差自动化——不是简单的“识别文字”，而是从文档一路走到业务动作完成。
二、非结构化文档处理的三大痛点在哪里？
痛点一：格式无限，模板有限
传统 OCR 与模板化方案的假设是：文档格式相对固定。但真实业务里，客户订单的格式数量约等于客户数量。一家企业有三百个客户，就可能有三百种单据样式，而且随时会变——换个 ERP、改个模板、加个字段，原有配置立刻失效。行业典型值中，模板化方案在新客户接入时的适配工作量以人天计，且需要 IT 参与。当客户数量增长快于适配速度时，自动化覆盖率就会持续下滑。
痛点二：识别准确不等于可用
很多项目在“识别率 95%”处宣告成功，然后卡在落地。原因是识别只解决了字符层面，业务需要的是语义层面：这一列是“客户物料号”还是“内部料号”、“数量 5,000”的单位是个还是千个、“交期 月底前”折算到哪一天、表格跨页时行项目如何续接。单据字段级错误率按行业典型值在 1%–3% 之间，而在多行明细单据中，只要一行错，整张单就不可用。这就是为什么“识别很准”和“能直接进系统”之间存在鸿沟。
痛点三：文档处理完还要做业务动作，链条断在最后一米
即使数据被正确提取，人的工作还没结束：要登进系统录入、要判断是否重复单、要发确认回信、要归档到指定目录、异常时要通知相关人。这一段“最后一米”往往被自动化方案忽略，结果是数据提取自动化了，人依然在搬运。行业经验中，文档处理场景里下游动作耗时常常与提取耗时相当甚至更高。只做提取，收益就只有一半。
三、文档处理智能体的四层架构分别解决什么？
感知层（Perception）：先搞清文档到底从哪来、有多少
多数企业低估了自己的文档处理工作量，因为它散落在各个岗位的日常里。iS-RPM 流程挖掘从系统日志中还原单据流转路径，识别哪类单据处理最慢、返工最多。iS-CDA 桌面行为分析则捕捉桌面层面的真相：员工每天打开多少附件、在哪些系统之间复制粘贴、下载与上传占了多少时间。录屏加密后每小时仅 12–20MB，可长期采样而不造成存储负担。感知层的产出是一份文档处理工作量地图，决定了从哪类单据开始最划算。
认知层（Cognition）：DocAgent 的主战场
DocAgent 文档处理智能体承担端到端能力：文档 → 结构化数据 → 业务执行。它的核心不是模板匹配，而是语义理解——理解文档的版面结构，理解字段之间的关系，理解表格的层级与跨页续接，理解同义表达（“交货日期”“Delivery Date”“交期”指同一件事）。同时它做校验：字段完整性、数值合理性、与主数据的一致性、是否重复提交。校验前移是文档自动化能否真正省人的分水岭。
决策层（Decision）：处理模糊与例外
文档场景的例外极多：字段缺失该走默认值还是退回、客户备注里的特殊要求该如何理解、金额与合同不符该拦截还是标记、扫描件模糊到什么程度算不可读。自动化魔术师（Magical Automator）以自然语言对话式构建自动化，让业务人员把这些判断规则直接说出来，而不是提需求等开发。其在自研测试系统中较通用 Computer Use 大模型快 3 倍、成本 1/10 的表现，决定了它能否承担高频次、大批量的文档判断——每天万封邮件级别的场景，速度和成本就是能力本身。
执行层（Execution）：把数据变成动作
iS-RPA 搭配大模型与旗旗助手（copilot）完成最后一米：登录系统录入、发起审批、发送确认邮件、归档文件、更新台账、异常通知。跨系统稳定穿透在这里体现为“不需要接口也能落地”。四层合起来，才是完整的文档处理智能体，而不是一个识别工具。
四、文档自动化落地的四步法是什么？
第一步：按单据类型分层，先做量大且逻辑清晰的
不要一次性覆盖所有单据。按“月处理量 × 单据行项目密度 × 下游动作明确度”打分，选出首批 2–3 类。常见首选是：客户订单、报关单据、银行回单、发票、体检报告、盘点表。
这一步同时要采集基线：当前单据处理耗时、错误率、返工比例。
第二步：建立置信度分级与人工复核通道
文档自动化最容易翻车的做法是“要么全自动要么不用”。正确做法是设置置信度阈值：高置信度直接落库执行、中置信度进复核队列、低置信度退回人工。
上线初期阈值设保守，复核比例可能达到三四成；随着样本积累与规则完善，阈值逐步放宽，自动通过率上升。这种渐进式设计让业务方从第一天起就能接受它。
第三步：把下游动作纳入范围，做到“最后一米”
明确要求：项目验收标准不是“数据提取出来了”，而是“业务动作完成了”。订单要进 ERP、回信要发出、文件要归档、台账要更新。
同时设计异常路径：失败重试次数、超时处理、通知对象、人工接管入口。异常处理设计的完备度，决定了机器人能否连续稳定运行数月。
第四步：建立样本回流与运行台账，让准确率持续爬升
文档自动化是唯一会“越用越准”的自动化类型，前提是把人工纠正的结果回流为训练样本。建立回流机制，让复核人员的每一次修正都成为下一次的判断依据。
运行台账记录处理量、自动通过率、字段级准确率、异常分布。这份数据既证明价值，也指导优化方向。
五、真实案例：文档处理智能体做出了哪些数字？
· 邮件与订单类。优合集团的邮件订单识别场景，每日处理万封邮件 100% 全自动。这个量级最能说明文档智能体的规模适应性——万封邮件不是靠加人，而是靠加机器人。茂顺密封件的 110 平台订单处理释放了 7 名业务人员，错误率 0%。中天互联的销售订单录入实现 100% 全自动，业务员告别加班。
· 报关与跨境单据。 华药国际的报关单信息获取，50 分钟降至 5 分钟，效率提升 90%，每周节省 1 个人力。斯凯孚的进出口材料申报，180 分钟压缩到 30 分钟，效率提升 83%，0 错误、100% 合规。
· 工程类文档。飞凡的 BOM 管理从人工 2 天/次到 RPA 2 小时/次，准确率 100%。斯凯孚的 BOM 清单，60 分钟降至 20 分钟，效率 3 倍。霍曼的 WicamPN4000 裁切指令实现 100% 全自动、准确率 100%。
· 表单与报告类。上汽大众的体检报告处理做到 100% 正确率、100% 当日完成。BOTON 百年通的库存盘点表，50 分钟降至 5 分钟，效率提升 10 倍。复星诊断的 OA 合同归档，5 分钟降至 3 分钟，效率提升 40%。
· 公开数据抓取类。广药集团的药品招采查询覆盖 30 个省份近千条数据，100% 正确率。中天互联的大宗物料查询，90 分钟降至 15 分钟，效率提升 5 倍。茂顺密封件的大宗原材料价格采集，60 分钟降至 5 分钟，效率提升 10 倍以上。
横向看这些案例，准确率出现频率高于效率倍数。这符合文档场景的真实价值结构：快是基础，准才是门槛。
六、决策指南：什么样的文档场景值得优先自动化？
· 看单据来源的分散度。客户/供应商数量多、模板不统一的场景，语义理解方案的优势最大，传统模板方案在这里最先失效。
· 看行项目密度。明细行越多，人工出错概率越高，自动化收益越大。BOM、订单、盘点表都属于典型高密度单据。
· 看时效要求。如果单据处理有当日完成、半小时响应之类的硬要求，人工排班几乎无法稳定满足，而定时执行的机器人天然合适。
· 看合规压力。报关、医药、金融类单据错一个字段的代价远高于处理成本，这类场景应当优先自动化并配套完整留痕。
· 看下游动作复杂度。如果提取之后还有多系统录入、归档、通知等一串动作，选择具备端到端执行能力的方案，否则收益会腰斩。
七、FAQ
Q1：客户单据格式经常变，是不是每次都要重新配模板？
不需要逐一配模板。DocAgent 基于语义理解处理版面，字段位置移动、表格增列、排版调整通常无须重新开发。遇到完全陌生的新格式时，以少量样本完成适配，并先进入低置信度复核通道，自动通过率会随样本积累提升。
Q2：扫描件质量差、手机拍照歪斜，还能处理吗？
可以处理常见的倾斜、阴影、轻度模糊，但存在质量下限。工程上的正确做法不是追求全部识别，而是设置可读性判断：低于阈值的直接退回并提示重新提供，避免把不可靠数据送进业务系统。这类判断本身也可由智能体自动完成。
Q3：提取出来的数据怎么进业务系统，需要开接口吗？
两种路径都支持。有 API 时优先走接口，速度与稳定性更好；没有接口或不便改造时，由 iS-RPA 通过界面级操作录入，对既有系统零侵入。多数项目是混合模式：主系统走接口，边缘系统走界面。
Q4：业务部门自己能维护吗，还是必须依赖 IT？
日常规则调整业务部门可自行完成。自动化魔术师支持自然语言对话式构建与修改逻辑，配合旗旗助手（copilot）做验证。涉及生产发布、账号权限、跨系统事务时仍建议 IT 参与，常见分工是业务负责规则与验收，IT 负责发布与运维。文档是业务的入口，却长期是自动化的盲区。当机器不仅能读懂一张单据，还能替人把这张单据该触发的事情一件件做完，企业才算真正把“信息录入”这项工作，从人的日常里删掉。
