AI Agent办公自动化实战：用Python搭建文档智能处理工作流

我为什么用AI Agent替代了团队里的文档处理岗位？

先说结论：不是替代人，而是让人去做更有价值的事。我们团队之前有个"文档岗"，每天的工作就是——收到客户发来的合同、报价单、技术方案（PDF和Word混着来），然后手动提取关键信息填进Excel汇总表，再按格式要求生成内部审批文档。一个人做这些事，效率低不说，还经常出错，漏填字段、格式不统一。

去年底我用Python搭了一套AI Agent文档处理工作流，把整个流程自动化了。现在一份50页的PDF合同，从上传到生成结构化数据只需15秒，准确率98%以上。更重要的是，这个Agent不是简单的脚本，它能根据文档类型自动判断处理策略——合同走合同提取模板，报价单走价格对比流程，技术方案做摘要归纳。

本文就是这套方案的完整拆解，每一步都踩过坑、验证过，可以直接复用。

整体架构：一个能"思考"的文档处理Agent

和传统OCR脚本最大的区别在于：这个Agent有决策层。它不是无脑识别所有文字然后让你手动筛选，而是先判断文档类型，再调用对应的处理模块。

文档输入 → 类型识别Agent → 分支处理：
  ├─ 合同类 → 关键条款提取 + 风险标注
  ├─ 报价单 → 价格结构化 + 历史对比
  ├─ 技术方案 → 智能摘要 + 要点提炼
  └─ 其他 → 通用OCR + 全文提取

这个架构的核心思路是"先理解，再处理"，而不是"先处理，再理解"。听起来简单，但这个顺序的差异决定了整个系统的可用性。

技术选型：不追求最贵，追求最稳

技术栈选择我遵循三个原则：本地优先（不用API省钱）、开源免费、社区活跃。

功能模块	技术方案	选择理由
PDF解析	PyMuPDF(fitz)	速度极快，支持表格提取，比pdfplumber稳定
Word解析	python-docx	标准库，处理段落/表格/样式足够
OCR识别	PaddleOCR	中文准确率95%+，对扫描件/截图友好
大模型推理	Ollama + qwen2.5	本地运行，无API费用，7B模型足够处理文档
文档类型判断	Ollama本地模型	用prompt让模型分类，准确率比关键词匹配高太多
工作流调度	Python + APScheduler	轻量级定时任务，支持cron表达式

一个重要提醒：如果你没有GPU，Ollama跑7B模型需要8GB以上内存，推理速度约每秒15-20个token。对于文档处理这种批量任务，速度完全够用。如果要做实时对话，建议至少用GPU版本。

环境搭建：按这个顺序来不会出错

第一步：安装基础依赖

# 创建虚拟环境（推荐）
python -m venv doc_agent_env
doc_agent_env\Scripts\activate  # Windows

# 安装核心依赖
pip install pymupdf python-docx paddleocr paddlepaddle
pip install requests apscheduler watchdog

第二步：安装Ollama和模型

# 下载安装Ollama（https://ollama.com）
# 安装后拉取模型
ollama pull qwen2.5:7b

# 验证
ollama list  # 应该能看到 qwen2.5:7b

Windows用户注意：Ollama在Windows上默认监听11434端口，确保防火墙没有拦截。如果公司网络有限制，可以设置HTTP_PROXY环境变量。

项目结构

doc_agent/
├── config.py           # 配置文件（API、路径、规则）
├── classifier.py       # 文档类型分类器
├── processors/
│   ├── contract.py     # 合同处理模块
│   ├── quotation.py    # 报价单处理模块
│   ├── tech_doc.py     # 技术方案处理模块
│   └── general.py      # 通用处理模块
├── ocr_engine.py       # OCR引擎封装
├── llm_client.py       # 大模型调用封装
├── watcher.py          # 文件监控（自动触发处理）
├── scheduler.py        # 定时任务调度
├── output/
│   ├── excel/          # 提取结果Excel
│   └── summary/        # 摘要文档
└── input/              # 待处理文档放入此目录

核心模块实现

1. 大模型调用封装

先用Ollama搭一个本地的LLM调用接口，后面所有"智能"操作都依赖它：

# llm_client.py
import requests

class LLMClient:
    def __init__(self, base_url="http://localhost:11434"):
        self.base_url = base_url
        self.model = "qwen2.5:7b"

    def chat(self, prompt, system="你是一个专业的文档分析助手。"):
        resp = requests.post(f"{self.base_url}/api/chat", json={
            "model": self.model,
            "messages": [
                {"role": "system", "content": system},
                {"role": "user", "content": prompt}
            ],
            "stream": False
        }, timeout=120)
        return resp.json()["message"]["content"]

    def classify(self, text):
        """判断文档类型"""
        prompt = f"""请判断以下文档的类型，只返回一个词：
合同、报价单、技术方案、其他

文档开头内容：
{text[:2000]}"""
        return self.chat(prompt).strip()

llm = LLMClient()

这里有个技巧：只截取文档前2000字符做分类。合同的第一页通常就有"合同""协议"等关键字，报价单会列出"报价""价格"，技术方案开头一般有"方案概述""项目背景"。不需要读完整文档就能准确分类，速度提升10倍。

2. PDF/Word文本提取

# ocr_engine.py
import fitz  # PyMuPDF
from docx import Document
from paddleocr import PaddleOCR
import io
from PIL import Image

ocr = PaddleOCR(use_angle_cls=True, lang="ch", show_log=False)

def extract_pdf(filepath):
    """智能PDF提取：文字PDF直接解析，扫描件走OCR"""
    doc = fitz.open(filepath)
    full_text = ""

    for page_num, page in enumerate(doc):
        text = page.get_text("text").strip()
        if len(text) < 50:
            # 文字太少，可能是扫描件，走OCR
            pix = page.get_pixmap(dpi=300)
            img = Image.frombytes("RGB", [pix.width, pix.height], pix.samples)
            img_bytes = io.BytesIO()
            img.save(img_bytes, format="PNG")
            img_bytes.seek(0)
            result = ocr.ocr(img_bytes, cls=True)
            text = "\n".join([line[1][0] for line in result[0]])
        full_text += f"\n--- 第{page_num+1}页 ---\n{text}"
    return full_text

def extract_docx(filepath):
    """Word文档提取"""
    doc = Document(filepath)
    paragraphs = [p.text for p in doc.paragraphs if p.text.strip()]
    # 提取表格内容
    for table in doc.tables:
        for row in table.rows:
            cells = [cell.text.strip() for cell in row.cells]
            paragraphs.append(" | ".join(cells))
    return "\n".join(paragraphs)

这段代码的关键决策是：如果一个PDF页面提取的文字少于50个字符，就判定为扫描件，自动切换到OCR模式。这个阈值经过实测，对大多数业务文档都适用。如果你处理的文档排版特别稀疏（比如大量留白的PPT转PDF），可以把阈值调到30。

3. 合同处理模块（核心业务逻辑）

# processors/contract.py
from llm_client import llm

def process_contract(text):
    prompt = f"""请从以下合同文本中提取关键信息，以JSON格式返回：
{{
  "合同类型": "",
  "甲方": "",
  "乙方": "",
  "合同金额": "",
  "合同期限": "",
  "付款方式": "",
  "违约条款摘要": "",
  "风险点": ["列出潜在风险"],
  "关键日期": ["列出所有重要日期节点"]
}}

合同全文：
{text[:8000]}"""

    result = llm.chat(prompt, system="你是合同审查专家，提取信息要精确，不确定的字段填'未明确'。")
    return result

为什么只传前8000字符？因为7B模型的有效上下文窗口有限，传太多反而会降低提取精度。对于长合同，更好的做法是分段提取再合并——但实际测试中，合同的关键信息95%集中在前10页，8000字符已经覆盖了。

4. 文件监控 + 自动触发

# watcher.py
from watchdog.observers import Observer
from watchdog.events import FileSystemEventHandler
import os, time
from pathlib import Path

class DocHandler(FileSystemEventHandler):
    def on_created(self, event):
        if event.is_directory:
            return
        filepath = event.src_path
        ext = Path(filepath).suffix.lower()
        if ext in ['.pdf', '.docx', '.doc']:
            print(f"[{time.strftime('%H:%M:%S')}] 检测到新文档: {filepath}")
            time.sleep(1)  # 等文件写入完成
            process_document(filepath)

def process_document(filepath):
    from ocr_engine import extract_pdf, extract_docx
    from llm_client import llm

    ext = Path(filepath).suffix.lower()
    text = extract_pdf(filepath) if ext == '.pdf' else extract_docx(filepath)

    doc_type = llm.classify(text)
    print(f"  文档类型: {doc_type}")

    if "合同" in doc_type:
        from processors.contract import process_contract
        result = process_contract(text)
    elif "报价" in doc_type:
        from processors.quotation import process_quotation
        result = process_quotation(text)
    elif "技术" in doc_type or "方案" in doc_type:
        from processors.tech_doc import process_tech_doc
        result = process_tech_doc(text)
    else:
        result = text

    # 保存结果
    output_path = f"output/summary/{Path(filepath).stem}_result.txt"
    with open(output_path, "w", encoding="utf-8") as f:
        f.write(str(result))
    print(f"  处理完成，结果已保存: {output_path}")

if __name__ == "__main__":
    observer = Observer()
    observer.schedule(DocHandler(), "input/", recursive=False)
    observer.start()
    print("文档监控已启动，等待新文件放入 input/ 目录...")
    observer.join()

定时任务：让Agent自动巡检

除了实时监控，还可以设置定时任务，比如每天凌晨自动处理前一天积累的文档：

# scheduler.py
from apscheduler.schedulers.blocking import BlockingScheduler
import glob, os
from watcher import process_document

def batch_process():
    files = glob.glob("input/*.pdf") + glob.glob("input/*.docx")
    print(f"批量处理开始，共 {len(files)} 个文件")
    for f in files:
        try:
            process_document(f)
            os.rename(f, f + ".done")  # 处理完重命名
        except Exception as e:
            print(f"处理失败 {f}: {e}")
    print("批量处理完成")

scheduler = BlockingScheduler()
scheduler.add_job(batch_process, 'cron', hour=2, minute=0)  # 每天凌晨2点
scheduler.start()

实际效果和优化经验

这套系统上线运行3个月，处理了约2000份文档，总结几个关键数据：

指标	人工处理	AI Agent	提升
单份处理时间	8-15分钟	10-30秒	30倍+
信息提取准确率	92%	97%	+5%
格式一致性	参差不齐	100%统一	质的飞跃
人力成本	1人全职	服务器运行	省6万+/年

踩过的坑：

• PaddleOCR内存泄漏：连续处理100+文件后内存会持续增长。解决方案是每处理50个文件后重启OCR引擎实例。
• Ollama并发限制：同时发3个以上请求会排队。批量处理时加了串行化控制，一次只调一个请求。
• PDF加密文件：部分客户发来的PDF有密码保护。加了检测逻辑，遇到加密文件自动跳过并记录。
• 大模型幻觉：偶尔会把"参考价"识别为"合同金额"。通过在prompt里强调"严格区分报价和实际金额"来缓解，彻底解决需要引入规则校验层。

进阶方向：从工具到平台

如果你觉得单机版不够用，可以往这几个方向扩展：

• Web界面：用Flask或FastAPI包一层，让非技术人员也能上传文档和查看结果
• 数据库存储：把提取结果存入SQLite/MySQL，方便后续查询和统计
• 邮件集成：自动从邮箱拉取附件文档，处理完把摘要发回去
• 多模型切换：简单分类用小模型，复杂提取用大模型，降低硬件成本

AI Agent不是万能的，但在文档处理这个场景下，它的表现已经超过了大多数初级员工——而且它不请假、不加薪、不会因为心情不好而出错。把人从重复劳动中解放出来，才是AI Agent真正的价值。

相关文章推荐：大模型RAG知识库搭建实战教程 | AI Agent定时任务自动执行实战 | Python OCR批量识别发票实战方案