既然手工录入太慢，我就写了个“发票自动对账系统”。这话说出来轻飘飘的，背后是上个月被对账逼疯的十几个通宵。客户那边财务小姑娘每天催命一样发 Excel，我这边助理手动一张张发票拍照、录入、匹配，错一个数就得从头核对，效率低到令人发指，还他妈全是重复劳动。我盯着那堆 PDF 和扫描件，脑子里就一个念头：这活儿必须让机器干，立刻，马上。
说干就干。核心逻辑其实不复杂：用 Python 的 pdfplumber 和 pytesseract 把 PDF 发票和扫描件里的文字抠出来，正则表达式匹配关键字段，比如发票号码、金额、税号，然后跟客户给的 Excel 明细表做关联匹配。难点在于发票格式千奇百怪，国税的、地税的、不同省市的模板都不一样，OCR 识别率不可能 100%。我一开始想得太美，直接上模板匹配，结果被现实毒打。后来改成多引擎识别+置信度加权：先用阿里的通用 OCR API 跑一遍，再用本地训练的 Tesseract 模型针对财务票据做二次识别，两边结果比对，取置信度高的。为了处理速度，还得上多线程，一个线程处理一张发票，最后汇总结果。这里又踩了坑，API 有频率限制，线程开太多直接被封，得自己写个简单的令牌桶算法来控制请求节奏。
硬件成本？这才是今天想说的重点。2022 年，别被云服务商忽悠瘸了。我算过账，如果全程用云函数+云 OCR+对象存储，一个月轻松烧掉大几百，一年下来就是大几千。我的策略是“本地重型计算，云端仅作备份和同步”。主力是一台自己组装的迷你主机，准系统 Intel NUC，准系统一千二，自己加了 16G 内存和 1T 的固态，总成本不到两千五。就这玩意儿，7×24 小时跑着 Python 脚本和数据库，功耗低，放办公室角落根本不用管。OCR 部分，本地模型吃 CPU，NUC 的 i5 够用了，复杂的批量处理就安排在半夜跑。只有需要调用高精度 API（比如核对模糊的印章）时才走云端，一个月费用控制在 50 块以内。
数据同步和备份用的是 Synology 的 DS220j，双盘位，两块 4T 的酷狼硬盘做 RAID 1，加起来一千五出头。所有原始发票、处理后的结构化数据、日志文件全扔里面。它自带 Cloud Sync 套件，设置好每天凌晨增量同步到百度网盘的企业版（年费三百多），算是上了个双保险。整个数据流水线的核心就这两台设备，总投入四千三左右，电费一个月几十块，却撑起了我这边所有项目的财务自动化处理，年流水对接百万级别，没出过一次数据灾难。
很多人觉得自动化就得堆钱上云上 SaaS，其实很多中小规模的脏活累活，一台可靠的本地机器加上精心编写的脚本，性价比是碾压的。关键你得懂点硬件，知道瓶颈在哪。比如我这个对账系统，瓶颈从来不是 CPU 算力，而是磁盘 IO 和网络延迟。所以钱要花在固态硬盘和稳定的内网上，而不是盲目升级 CPU。今年最大的心得就是：把每一分钱都花在解决具体的、可测量的性能瓶颈上，而不是为“未来的可能性”买单。云服务是很好，但它也是按秒计费的焦虑本身。
现在系统跑顺了，原来助理三天的活儿，现在半小时跑完脚本，人工复核一下就行。解放出来的时间，我能去研究点新东西，或者干脆去健身房多待一会儿。2022 年快过完了，感觉终于从那种被琐事淹没的窒息感里，透出了一口气。技术终究是工具，它的最高价值，就是把人类从重复中赎出来。哪怕就一点点。
