AI实战07｜一堆扫描PDF怎么处理？让Agent先识别，再整理，再提取
实际工作里的PDF，并不都是干净的电子文件。
经常会遇到：
扫描合同；
盖章版协议；
证照扫描件；
法院材料；
发票；
截图；
图片版公告。
这些文件打开以后看得见，但文字可能根本无法直接复制。
以前处理这类材料，通常需要人工：
一页一页看；
手动录入；
再整理成表格。
现在如果Agent具备图片和PDF识别能力，可以把这一整套工作先交给它做第一轮处理。
一、先判断是不是扫描件
电子PDF和扫描PDF虽然都叫PDF，但处理方式不一样。
电子PDF通常本身就有文字层。
Agent可以直接：
搜索；
复制；
提取；
定位。
扫描PDF本质上更像：
很多张图片装进一个PDF。
这时候AI需要先“看懂图片”，再提取内容。
所以遇到一批PDF时，可以先让Agent判断：
哪些是正常文本PDF；
哪些是扫描件；
哪些页面识别质量比较差。
不要默认所有PDF都一样。
二、扫描件最适合先做“结构化提取”
比如有50份营业执照。
人工真正需要的通常不是：
把整张营业执照重新转成文字。
而是几个字段：
公司名称；
统一社会信用代码；
法定代表人；
注册资本；
成立日期；
住所。
所以扫描件处理最实用的方法是：
不要先追求全文OCR，而是先明确你到底要提取什么。
字段越明确，Agent越容易得到可用结果。
三、合同扫描件可以先提取关键信息
比如几十份盖章合同。
可以先批量提取：
合同名称；
签约主体；
签署日期；
金额；
期限；
盖章情况。
再把结果形成Excel。
如果后面发现某几份合同有风险，再进一步读取全文。
没必要一开始把几千页扫描件全部转成完整文字。
这样速度和准确性通常都会更好。
四、图片质量会直接影响结果
扫描件最常见的问题包括：
倾斜；
模糊；
阴影；
印章遮挡；
页面缺角；
分辨率太低；
手写内容；
复印件反复复印。
所以不要要求AI：
“必须识别出来。”
识别不清楚时，更可靠的处理方式应该是：
标记：
“无法确认”。
特别是：
金额；
日期；
身份证号；
统一社会信用代码；
合同编号
这类字段，不能靠猜。
五、重要字段最好保留“原始页码”
比如AI告诉你：
合同金额是500万元。
你最好还能知道：
这个数字来自第几页。
这样人工复核时可以直接跳到对应位置。
所以专业材料整理时，我通常建议同时保留：
文件名；
页码；
提取结果。
如果条件允许，还可以保存对应原文片段。
这样结构化结果才真正可以复核。
六、扫描材料特别适合做“资料盘点”
比如一个尽调文件夹里有200份扫描材料。
第一轮根本不需要逐份深度分析。
可以先让Agent回答：
有什么材料；
分别属于什么类别；
关键日期是什么；
哪些文件重复；
哪些文件明显缺页；
哪些材料看不清。
最终得到一张：
资料清单。
这一步完成以后，人再决定哪些材料需要重点审查。
这比一开始就让AI：
“全面分析200份文件”
实际得多。
七、证据材料也可以先做初步目录
比如一批：
合同；
转账记录；
聊天截图；
发票；
通知；
照片。
可以先让Agent按照文件内容形成：
文件名称；
日期；
涉及主体；
材料类型；
主要内容；
可能证明的事项。
形成一份初步证据目录。
之后律师再进行：
取舍；
调整顺序；
确认真实性；
确定最终证明目的。
AI负责第一轮整理，人负责最终判断。
八、不要让识别结果直接替代原件
这一点很重要。
不管AI识别得多准确：
提取结果始终只是加工结果。
真正需要确认的重要事实，仍然应该回到：
原始PDF；
原始图片；
原始证据材料。
尤其是涉及：
金额；
签字；
盖章；
日期；
主体身份；
关键条款。
所以Agent的价值主要是：
帮助人快速定位和整理，而不是让原始文件失去意义。
直接复制的实战提示词
请处理【扫描PDF/图片文件夹路径】中的全部材料。先识别文件类型和可读情况，再按统一字段提取【公司名称、日期、金额、主体、合同编号等需要的字段】，同时保留原始文件名和对应页码；无法清晰识别的内容标记“待人工核对”，不得猜测。最终生成【资料清单.xlsx/证据目录.xlsx】，并单独列出无法读取、疑似缺页或需要人工核验的文件，保存至【输出文件夹】，不得修改原始材料。
最后记住一句话
处理扫描材料时，不要一上来就要求AI：
“把所有内容全部识别出来。”
先问：
“我真正需要从这些材料里提取什么？”
字段定义清楚以后，
大量原本需要人工逐页翻看的扫描材料，就可以先让Agent完成第一轮整理。
