非结构化订单智能解析如何实现？邮件、Excel、图片订单结构化

周一早上九点，销售助理的收件箱里躺着三十多封客户订单：有的把数量写在邮件正文里，有的附了一张扫描件或手机拍的图片，有的发来一份改了三个版本、命名各不相同的 Excel。要把这些信息一条条搬进 ERP，往往要耗掉半天甚至一整天，还免不了错行、漏项、币种填反。IDC 的调研数据显示，企业数据中约八成是非结构化内容，而订单恰恰是最典型、也最昂贵的非结构化数据之一。

非结构化订单智能解析要解决的，就是把"人能看懂、系统读不懂"的邮件、表格、图片，稳定地变成 ERP、OMS、MES 能直接消费的结构化字段。这篇文章会拆开讲清楚三件事：技术底座是什么、落地路径怎么走、以及哪些坑必须提前避开。

一、为什么非结构化订单是"隐形的效率黑洞"

1.1 订单数据的三副面孔

在绝大多数制造、贸易、零售企业里，客户下单的方式从来不是统一的：

• 邮件正文型：客户在邮件里写"老型号 A 要 500 件，下周三前到"，关键信息散落在自然语言里，没有固定格式。
• Excel 附件型：表头名称五花八门，"料号/型号/产品编码"混用，合并单元格、隐藏列、多 Sheet 是常态。
• 图片与 PDF 型：扫描件、传真件、手机拍照、客户系统导出的 PO 单据，存在倾斜、模糊、印章遮挡、多栏排版。

同一个客户，这个月发 Excel，下个月发 PDF，第三个月直接在邮件里贴张截图——这就是业务真实的样子。

1.2 人工转录的真实成本

• 时间成本：一名订单专员一天处理几十份单据，其中大半时间花在"看—找—复制—粘贴"上，而不是判断和沟通。
• 错误成本：单价小数点错位、币种混淆、数量与单位错配，往往要到对账或发货时才暴露，返工成本远高于录入本身。
• 机会成本：订单响应速度直接决定交付承诺。跨国客户存在时差，数据同步滞后一晚，交期就可能顺延一周。

1.3 传统方案的三个卡点

• 固定模板 OCR：版式一变就失效，遇到新客户的新单据就要重新配置。
• 纯规则引擎：能处理"字段位置固定"的场景，但对自然语言描述、多义字段无能为力。
• EDI 全覆盖的幻想：EDI 确实稳定，但只覆盖少数大客户，长尾客户仍然靠邮件和表格。

这也是为什么越来越多企业把这一环交给能"看懂文档"的智能体。通过实在Agent 的 IDP 智能文档处理能力配合大模型语义理解，可以在不改造客户下单习惯的前提下，把多源订单统一收敛成标准结构。

二、技术底座：从"看得见"到"看得懂"

2.1 四个层次的能力拆解

一套可用的非结构化订单智能解析方案，通常要穿过四层：

• 接入层：自动登录邮箱、EDI 门户、客户系统或共享目录，按规则抓取新到订单及其附件，避免人工下载转发。
• 识别层：OCR 把图片、PDF 转成文本与版面信息，还原表格的行列结构和单元格归属。
• 理解层：大模型判断"这一段是收货地址还是备注""这个数字是单价还是含税总价"，把非标准表达映射到标准字段。
• 校验层：与主数据、历史订单、价格协议做交叉比对，异常项拦截并转人工。

2.2 小模型与大模型的分工

这是实践中效果差异最大的一环：

• 小模型负责"确定性"：票据类、固定版式单据用专门的 OCR 与版面分析模型，速度快、成本低、结果稳定。
• 大模型负责"不确定性"：字段名不标准、语义含糊、跨段落推理的部分交给大模型，比如"和上次一样的配置，数量翻倍"这种表达。
• 两者串联而非二选一：小模型先做高置信度的结构化抽取，大模型处理剩余疑难片段，再由规则引擎做最终裁决。

在财务审单场景中，这种"大模型+小模型"的双轨思路已有规模化验证：某电力集团面对 120 多种业务类型、年审单量超 25 万笔，通过双轨方案把初审替代率做到 66%，准确率提升至 99.2%，人工负荷下降超 60%。订单解析的复杂度虽不同于审单，但底层逻辑高度一致。

2.3 表格还原是真正的技术分水岭

很多方案在"识别文字"上表现不错，却栽在表格上：

• 无边框表格：靠视觉分隔而非线条，需要行列对齐推断。
• 合并单元格与多层表头：必须还原层级关系，否则字段会串位。
• 跨页表格：一页放不下的订单明细需要拼接续接。

这也是选型时最该实测的部分——拿十份"最难看的"历史订单去跑，比看任何演示都有效。

三、落地路径：一封邮件如何变成一张结构化订单

3.1 五步流程

• 第一步，触发与取件：监听邮箱或定时轮询，按发件人、主题关键词、附件类型识别订单邮件，自动下载附件。
• 第二步，分类与路由：判断这份文档是采购订单、送货单还是对账单，不同类型走不同解析模板。
• 第三步，字段抽取：输出订单号、客户名称、物料编码、规格、数量、单价、币种、交期、收货地址等标准字段，并附带每个字段的置信度。
• 第四步，主数据匹配：把客户口中的"老型号"映射到内部物料编码，价格与协议价核对，单位换算统一。
• 第五步，写入与回执：自动录入 ERP/OMS，生成订单记录，异常单据推送人工复核，并向客户回一封确认邮件。

3.2 主数据与规则字典才是成败关键

技术选型之外，真正决定项目能不能跑起来的是"业务知识"：

• 客户别名库：同一客户在不同邮件里可能用简称、英文名、旧公司名。
• 物料映射表：客户料号与内部料号的一对多、多对一关系要维护清楚。
• 价格与条款规则：不同客户的折扣、税率、贸易术语差异要沉淀成可执行规则。

这些资产不建好，再强的模型也只能"认得出字、对不上账"。

3.3 人机协同的兜底机制

• 置信度分级：高置信度直接过账，中置信度抽检，低置信度必审。
• 差异高亮：把模型抽取结果与原文档并排展示，人工只需确认红色标记项。
• 回流学习：人工修正的结果回流为样本，持续优化抽取模板与提示词。

实在Agent 在这条链路上承担的是"手"和"眼"的组合：既能自动登录邮箱、EDI 门户完成取件与回写，又能调用 IDP 与 TARS 大模型完成字段级抽取，把原本分散在人和系统之间的搬运环节收敛到一个数字员工身上。

四、真实场景里的三种典型解法

4.1 邮件+PDF 订单：从"逐份看"到"批量进"

某高端包装印刷上市企业服务电子、新能源、消费类头部客户，海外业务占比超 35%，每天收到海量 PDF 与图片格式的客户订单，物料、价格信息无法自动提取。引入"RPA+Agent 数字员工"后，数字员工自动整合多源订单数据并同步至 OMS 系统，结合 IDP 与 TARS 大模型能力，提升了 PO 单号、物料编码、币种、单价、数量及日期等关键信息的识别准确率。集团累计落地自动化场景 100 多个，业务平均增效 48%，每年节约人工耗时近 20000 小时。

4.2 EDI 下载+信息提取：小场景也能立竿见影

某制造企业销售与订单管理部每周需登录客户 EDI 系统下载 PDF 订单，人工逐份提取订单号、产品型号、订购数量，原需 1 人耗时 4 小时。由 AI Agent 自动登录系统、下载 PDF、提取关键字段并写入内部生产计划表后，效率提升 50%，提取准确率 100%，每周节省约 2 人天。这类"小而确定"的场景，往往是最适合做试点的入口。

4.3 计划类单据：把非结构化思路迁移到相邻流程

同一套能力可以迁移到相邻流程。某能源集团需要按月向外部监管平台申报输气路径计划，原本单次人工填报需 6 小时，且每 50 条路径要分批上传配套证明。以数字员工自动读取路径 Excel、依次填报并批量关联证明后，单次耗时降到 30 分钟以内，效率提升约 12 倍，每日计划变更处理也从 1 小时压缩到约 10 分钟。

五、实施建议：先做对的事，再把事做对

5.1 场景选择的三条标准

• 高频：日均单据量大，边际收益明显。
• 规则相对稳定：客户结构集中、字段种类收敛。
• 错误代价高：录错会造成返工、索赔或交付违约。

5.2 建议的推进节奏

• 第一阶段（4–6 周）：选 1–2 个客户、1 类单据跑通端到端，重点验证表格还原与主数据匹配。
• 第二阶段：扩展到同类型客户，补齐异常处理与人工复核工作台。
• 第三阶段：向询价单、对账单、发货通知等相邻单据延伸，形成"单据中心"。

5.3 必须盯住的四个指标

• 字段级准确率（按字段分别统计，而非整体一个数字）
• 直通率（无需人工干预即可过账的比例）
• 单均处理时长
• 人工复核占比及其变化趋势

六、常见问题解答

6.1 图片模糊、有印章遮挡，还能准确解析吗？

可以，但需要设预期。轻度倾斜、轻微压缩的扫描件通常没问题；严重模糊或关键字段被印章完全覆盖时，系统会给出低置信度并转人工，而不是"猜"一个答案。工程上更常见的做法是引导客户使用标准模板，或对高频客户建立专属解析配置。

6.2 客户订单格式每个月都在变，模型要重新训练吗？

通常不需要重新训练。基于大模型的抽取方案对版式变化有一定鲁棒性，多数情况下调整提示词或字段映射规则即可。真正需要持续维护的是主数据映射和业务规则字典，这部分建议由业务部门主导、IT 提供工具支撑。

6.3 和传统 OCR 厂商的方案有什么本质区别？

传统 OCR 解决"文字识别"，输出的是文本块；智能解析解决"字段理解"，输出的是带语义的结构化数据，并且能与主数据、业务系统联动完成闭环。两者的差别不在识别率小数点后几位，而在于能否处理无固定版式、含自然语言描述的订单。

6.4 数据安全怎么保障？

关键在部署形态与权限设计。常见做法包括私有化部署、数据不出内网、按角色做权限隔离（RBAC），以及全链路操作日志留存以便审计追溯。选型时应明确询问模型推理发生在本地还是云端、日志保存周期与访问控制方式。

6.5 多久能看到效果？

以单场景试点计，通常 1–2 个月可以跑通流程并看到直通率数据；要覆盖多客户、多单据类型并稳定运行，一般需要 3–6 个月。参考同类项目经验，投入回收周期多在 10 个月左右。

订单解析这件事，技术只是其中一半。另一半是把客户的"说话方式"沉淀成企业自己的知识资产——别名库、映射表、规则字典。当这两半合上，邮件、Excel、图片就不再是负担，而是可以被系统直接消费的数据流。建议从一份最难的订单开始，让非结构化订单智能解析先在真实数据上证明自己，再谈规模化。