返回博客
PDFDocument AISummarizationRAGNbility

PDF 总结工作流：合同、论文、说明书怎么处理

第十六篇 AI Agent 上手系列：从 PDF 解析、OCR、分段、摘要 Prompt 到风险提示，搭一个适合合同、论文和说明书的文档总结工作流。

PDF 总结工作流：合同、论文、说明书怎么处理

很多人第一次让 AI 总结 PDF，会直接把文件丢给模型，然后问：“帮我总结一下。”这对短文档还行，但遇到合同、论文、说明书，很容易出现三个问题：

  • PDF 里的文字没有被正确解析，尤其是扫描件、双栏论文、复杂表格；
  • 文档太长，模型只能看到一部分内容；
  • 摘要看起来很顺，但没有页码、条款号或原文依据，无法复查。

一个可靠的 PDF 总结工作流，不应该从“总结”开始，而应该从“解析、分段、引用、风险边界”开始。

封面：PDF 总结工作流

这篇文章会按三个典型场景来讲：合同、论文、说明书。它们都叫 PDF，但处理目标完全不同。合同要抓义务和风险，论文要抓方法和结论，说明书要抓步骤、参数和警告。

先判断 PDF 类型

PDF 不是一种“文本格式”，更像一种页面容器。你拿到一个 PDF 后，先判断它是哪类：

  1. 原生文本 PDF：可以复制文字，通常来自 Word、LaTeX、网页导出；
  2. 扫描 PDF：本质是图片，需要 OCR；
  3. 混合 PDF：部分页面有文字，部分页面是图片；
  4. 复杂版式 PDF：双栏论文、表格、脚注、公式、图片说明很多；
  5. 表单/合同 PDF：包含签章、条款号、附件、表格和空白字段。

如果第一步判断错了，后面的摘要再漂亮也不可靠。比如扫描合同没有 OCR，模型可能只看到空文本；双栏论文按错误顺序解析，摘要会把左右栏内容混在一起。

推荐工作流

PDF 总结工作流图

通用流程可以拆成五步：

上传 PDF
  -> 解析文本 / OCR / 转 Markdown
  -> 按结构分段，保留页码和标题
  -> 分块摘要或检索式问答
  -> 输出摘要、风险点、引用和下一步行动

不要把所有 PDF 都走同一个 prompt。先把文档变成更适合模型阅读的结构化文本，再根据场景选择摘要模板。

方案一：Dify 低代码工作流

如果你希望先做一个不用写太多代码的版本，可以用 Dify 的 Document Extractor 节点。

Dify 官方文档说明，Document Extractor 用来把上传文档转换成模型可处理的文本，因为语言模型不能直接读取 PDF、DOCX、Excel、PPT 等文档格式。这个节点的输出变量是：

text

它支持的常见格式包括：

  • TXT、Markdown、HTML；
  • DOCX、DOC；
  • 文本型 PDF；
  • Excel、CSV，会转换为 Markdown 表格；
  • PPT、PPTX、邮件、EPUB、JSON、YAML 等。

基础工作流：

Start 节点启用文件上传
  -> Document Extractor 提取文本
  -> LLM 节点做摘要 / 风险分析 / 重点提取
  -> Answer 节点输出结果

如果要处理 DOC、PPT、复杂格式或外部解析能力，Dify 文档提到可以配置：

UNSTRUCTURED_API_URL
UNSTRUCTURED_API_KEY

这说明一个重点：文档处理不只是模型问题，解析器也很关键。

方案二：Python 处理 PDF，再调用模型

如果你要做更可控的工作流，建议用 Python 先把 PDF 转成 Markdown 或结构化文本，再调用 OpenAI-compatible API。

用 PyMuPDF / PyMuPDF4LLM 提取 Markdown

PyMuPDF 官方文档有专门的 “PyMuPDF, LLM & RAG” 页面，建议在 LLM / RAG 场景中使用 PyMuPDF4LLM 输出 Markdown，然后再分块。

安装：

pip install pymupdf pymupdf4llm openai

把 PDF 转成 Markdown：

import pathlib
import pymupdf4llm

md_text = pymupdf4llm.to_markdown("input.pdf")
pathlib.Path("output.md").write_text(md_text, encoding="utf-8")

如果只是原生文本 PDF，PyMuPDF 也可以直接逐页提取：

import pymupdf

with pymupdf.open("input.pdf") as doc:
    pages = []
    for i, page in enumerate(doc, start=1):
        text = page.get_text()
        pages.append(f"\n\n--- page {i} ---\n{text}")

open("output.txt", "w", encoding="utf-8").write("\n".join(pages))

注意：page.get_text() 适合原生文本 PDF；扫描件仍然需要 OCR。

长文档不要一次塞给模型

长 PDF 应该先分块。一个简单做法：按页或标题分段，然后分别生成局部摘要，最后再生成总摘要。

from pathlib import Path
from openai import OpenAI

client = OpenAI(
    api_key="[REDACTED]",
    base_url="https://api.nbility.dev/v1",
)

text = Path("output.md").read_text(encoding="utf-8")
chunks = [text[i:i+6000] for i in range(0, len(text), 6000)]

partial_summaries = []
for idx, chunk in enumerate(chunks, start=1):
    resp = client.chat.completions.create(
        model="gpt-4o",
        messages=[
            {"role": "system", "content": "你是文档分析助手。请保留页码、标题和原文依据。"},
            {"role": "user", "content": f"这是第 {idx} 段文档，请总结要点、风险和待确认事项：\n\n{chunk}"},
        ],
        temperature=0.2,
    )
    partial_summaries.append(resp.choices[0].message.content)

final_resp = client.chat.completions.create(
    model="gpt-4o",
    messages=[
        {"role": "system", "content": "你是文档总结助手。请基于局部摘要生成最终摘要，不要加入无依据内容。"},
        {"role": "user", "content": "\n\n".join(partial_summaries)},
    ],
    temperature=0.2,
)

print(final_resp.choices[0].message.content)

这里用的是 Nbility 的 OpenAI-compatible Chat Completions API：

Base URL: https://api.nbility.dev/v1
Authorization: Bearer [REDACTED]
Endpoint: POST /v1/chat/completions

Nbility 适合放在这个环节：统一 API Key、模型、日志和消耗记录。解析 PDF 是你本地或 Dify 的工作，模型总结和多轮分析再走统一模型入口。

方案三：直接用模型文件输入

OpenAI 官方文件输入文档说明，Responses API 可以把 PDF 作为 input_file 传给模型，文件可以来自 URL、Files API 上传后的 file ID，或 Base64 数据。文档也明确提到：Chat Completions 不支持 file URL，文件 URL 方式应使用 Responses API。

这个方式适合：

  • 快速分析单个 PDF；
  • 你不想自己写解析和 OCR；
  • 文档长度、权限和成本都可控；
  • 你能接受模型平台负责文件解析。

但如果你需要企业级流程，我仍然建议保留自己的解析层，因为你需要：

  • 控制 OCR；
  • 保留页码和段落；
  • 做缓存，避免同一文件重复消耗；
  • 处理隐私和合规；
  • 输出可追溯引用。

合同怎么总结

合同总结最重要的是“不要替代法务”。AI 可以帮你快速读，但不能给最终法律意见。

建议输出结构：

## 一句话结论
这份合同主要约定了……需要重点关注付款、交付、违约和终止条款。

## 合同基本信息
- 合同主体：
- 合同金额：
- 生效日期：
- 期限：
- 交付物：

## 关键义务
- 甲方义务：
- 乙方义务：

## 风险条款
- 违约责任：引用第 X 条 / 第 Y 页
- 付款条件：引用第 X 条 / 第 Y 页
- 终止条件：引用第 X 条 / 第 Y 页

## 待人工确认
- 是否存在补充协议？
- 附件是否完整？
- 签章页是否齐全？

合同 Prompt 示例：

你是合同阅读助手，不提供法律意见。请基于文档内容输出：
1. 合同基本信息；
2. 双方核心义务；
3. 付款、交付、验收、违约、终止、保密条款摘要；
4. 可能需要法务确认的风险点；
5. 每个重要结论后标注页码、条款号或原文片段。

如果文档中没有明确依据，请写“文档中未找到明确依据”，不要猜测。

论文怎么总结

论文摘要不能只读 abstract。真正有价值的是：研究问题、方法、实验设置、结果、局限和可复现性。

建议输出：

## 论文解决什么问题

## 核心贡献
- 贡献 1：
- 贡献 2：

## 方法概述

## 实验设计
- 数据集：
- Baseline：
- 指标：

## 主要结论

## 局限性

## 我应该重点读哪几页

论文处理要特别注意：

  • 双栏排版可能导致解析顺序错乱；
  • 公式和表格可能丢失；
  • 图表结论不要只靠图片标题猜；
  • arXiv 论文可以优先找 HTML、LaTeX 源或官方页面辅助核对。

如果你要做论文库，而不是单篇论文摘要，就应该考虑 RAG：先把论文转 Markdown，按标题层级分块，建立向量索引，再按问题检索相关段落。

说明书怎么总结

说明书最重要的是“步骤不能乱，警告不能省”。尤其是硬件、药品、设备、软件部署文档，AI 摘要如果漏掉前置条件，可能带来真实风险。

建议输出：

## 适用对象

## 快速开始步骤
1.
2.
3.

## 参数表
| 参数 | 默认值 | 作用 | 风险 |

## 安全警告

## 常见故障排查
- 现象：
- 可能原因：
- 处理步骤：

Prompt 要求：

请总结说明书，但不得省略安全警告、前置条件、参数单位和顺序依赖。
如果步骤之间有先后顺序，请保持原文顺序。
如果某个参数缺少单位或范围，请标记为“需回看原文确认”。

不同 PDF 的处理策略

什么时候需要 OCR 或更强解析器

如果出现这些情况，普通文本提取可能不够：

  • 复制 PDF 文本为空；
  • 页眉页脚混入正文；
  • 双栏顺序错乱；
  • 表格变成一长串无结构文本；
  • 扫描件、拍照件、盖章页；
  • 公式、脚注、图片说明很多。

可选工具：

  • PyMuPDF / PyMuPDF4LLM：适合快速、本地、可控地把 PDF 转文本或 Markdown；
  • Unstructured：适合多格式文档解析、partition、chunking，也可配合 API；
  • Marker：开源 PDF 转 Markdown / JSON / HTML / chunks 工具，适合复杂文档和 RAG 前处理，但要注意其代码和模型许可；
  • Dify Document Extractor：适合低代码工作流里的文件上传和文本提取。

实际项目里可以从简单到复杂：

原生 PDF -> PyMuPDF4LLM
扫描 PDF -> OCR / Unstructured / Marker
低代码上传总结 -> Dify Document Extractor
企业知识库 -> 解析后入库，再用检索增强回答

成本控制

PDF 总结非常容易烧 token，因为用户会上传几十页甚至几百页文档。建议：

  1. 先解析后缓存：同一个文件不要每次重新解析和总结；
  2. 先局部后全局：长文档用 map-reduce，不要一次塞满；
  3. 按场景选模型：普通摘要用性价比模型，合同风险/复杂论文再用强模型复核；
  4. 输出引用而不是全文：减少把大段原文反复塞回模型；
  5. 限制上传大小和页数：公开入口必须做限制；
  6. 记录消耗和失败原因：用 Nbility 的日志和额度管理按项目观察成本。

常见问题

1. 为什么模型总结漏掉了重要条款？

通常不是模型“没认真读”，而是解析或分块阶段丢了内容。先检查输出的 Markdown / TXT 是否包含该条款，再检查 chunk 是否被送进模型。

2. 扫描件怎么处理？

扫描件需要 OCR。不要指望普通 get_text() 能读出图片里的文字。可以使用 OCR 工具、Unstructured、Marker 或带 OCR 能力的文档处理服务。

3. 表格总结总是不准怎么办？

先把表格转成 Markdown 表格或 CSV，再让模型总结。不要把错乱的纯文本表格直接丢给模型。

4. 合同摘要可以直接给客户吗？

不建议。合同摘要应标注“辅助阅读，不构成法律意见”，并保留页码、条款号和待法务确认项。

5. RAG 和摘要有什么区别？

摘要是把整份或部分文档压缩成短文本；RAG 是根据问题检索相关片段再回答。如果用户经常围绕同一批 PDF 反复提问，应考虑 RAG；如果只是读完一份文件，摘要就够了。

参考链接

小结

PDF 总结不是“把文件交给模型”这么简单。真正稳定的流程是：先判断 PDF 类型，再选择解析器，保留结构和页码，按场景写摘要 Prompt，最后用引用和风险提示保证结果可复查。

合同、论文、说明书都可以用 AI 提高阅读效率，但它们的摘要目标不同。合同看风险，论文看方法，说明书看步骤和警告。只要把这点设计清楚，Nbility 这样的 OpenAI-compatible 模型入口就可以自然成为文档工作流里的统一调用层。

相关文章

用 Nbility 跑通你的 Agent 工作流

获取 API Key，统一接入 OpenAI 兼容模型和开发工具。

管理 API Key