既然手工录入太慢，我就用多模态 Agent 重构了“智能文档中心”。去年这时候我还在为团队那堆破事焦头烂额，光是整理上个月的财务流水和客户合同就能耗掉我两个通宵，颈椎和腰椎一起抗议。现在？我只需要把手机拍的发票、PDF格式的银行对账单、还有体检报告那些乱七八糟的表格，一股脑儿扔进一个叫“DocHub”的文件夹，半小时后，所有数据都规规矩矩躺在 Notion 数据库里，连图表都给我画好了。
这玩意儿背后是一套我自己搭的“多模态流水线”。核心就三块：一个视觉解析引擎，一个逻辑判断中枢，一个执行机器人。视觉部分我试了 CLIP 和 BLIP，最后还是用 OpenAI 的 GPT-4V API 搭了个桥，让它看图说话，把发票上的金额、日期、商户名称给抠出来。难点在于它有时候会把税务识别号和电话号码搞混，或者把背景花纹里的阴影误读成数字。我不得不写了一大堆后处理规则，比如用正则表达式二次校验金额格式，或者当识别出的“日期”不符合“YYYY-MM-DD”时，触发人工复核标记。这过程就像教一个特别聪明但有点粗心的实习生，你得把边界条件一条条掰碎了喂给它。
逻辑中枢是个 Python 脚本，它拿到解析后的文本，得判断这玩意儿是什么。是餐饮发票就归到“业务招待”，是软件订阅费就打到“SaaS 工具”类目下，如果是体检报告里的“低密度脂蛋白”指标，那就得和去年的数据对比，算出变化趋势。这里我用了 LangChain 来搞分类和路由，但说实话，它的 Prompt 设计比我想象的麻烦。你不能光说“请分类”，你得给它上下文模板：“这是一份文档，可能包含以下元素：A. 财务数据 B. 健康指标 C. 合同条款……请根据主要元素归类。” 还得防止它过度推理，把一份普通的咖啡小票硬是分析成“可能的商务洽谈成本”。
执行端我用了 n8n。这是今年才彻底玩转的利器。它就是个图形化的“胶水”，把前面两个环节的输出，变成对 Notion API、Google Sheets API 的实际操作。比如，当逻辑中枢判定为“6月财务支出”，n8n 的工作流就会自动在 Notion 的“2023月度财报”数据库里创建一条新记录，把金额、类别、票据图片链接全填进去，然后根据类别标签，触发另一个工作流去更新对应的预算剩余额度图表。最爽的是，它还能在数据录入完成后，给我飞书发条消息：“老大，6月餐饮超标15%，主要来自‘XX海鲜酒楼’，建议留意。” 这种闭环反馈，是以前纯手工时代根本不敢想的。
去年我深陷交付泥潭的时候，总觉得效率瓶颈在于人不够、管理不行。现在回头看，那都是表面。真正的瓶颈是把人当 OCR 扫描仪和 Excel 函数在用。GPT-4V 这类多模态模型的出现，直接把我过去赖以生存的“信息搬运工”技能给降维打击了。我现在焦虑的不再是“怎么更快地录入”，而是“怎么设计更鲁棒的流程，让 AI 别犯低级错误”，以及“当 90% 的机械劳动被自动化后，我那剩下的 10% 核心判断力到底是什么”。这种焦虑，比过去那种体力透支的累，更尖锐，但也更有劲。至少，我的腰椎现在好多了。
