一份租赁合同三十二页，条款穿插在附件、补充协议和手写批注里。这类文件在跨国鞋服集团的业务中一年有三百多份，过去每份要财务、法务、业务开发三个部门各查一遍，走完流程 1.5 到 3 人天。
改造之后单份处理压到 15 分钟以内，人力释放 95% 以上。这 15 分钟里发生了什么值得拆开讲——因为多数企业做这类场景时，最大的误解是"让模型把合同读一遍"。
先决定读什么，再谈怎么读
合同里的信息远远多于业务需要的字段。第一步不是让 Agent 去读，而是和业务方一起把字段清单定下来：租期、租金与递增条款、免租期、续约条件、违约与解约条款、门店信息，这些是真正进入决策链的字段；剩下的条款文本不需要逐条结构化。
字段清单同时也是验收口径。哪些字段必须准确、哪些允许人工复核，在开工前就写清楚——这一步省下的返工，比后面任何技术优化都值钱。
把合同还原成机器能读的样子
真实合同不是纯文本。PDF 里有跨页表格、扫描件、印章，还有把关键金额放在图片里的情况。
链路的第二段是版面还原：先识别页面结构，把正文、表格、附件、批注分区，再判断这一页是原生文本还是扫描件——两者处理路径完全不同。印章与手写批注单独标记，不参与字段抽取但保留备查。
这一段做不扎实，后面再好的模型也救不回来。很多企业跳过它直接上模型，准确率卡在七八成上不去，问题就出在这里。
哪些交给规则，哪些交给模型
抽取本身有个原则：能用确定性规则判断的，不要交给模型。
合同编号、日期格式、金额单位这类有固定模式的字段，用规则抽取，稳定且可解释；条款语义、责任划分这类需要理解的，交给模型，但同时要求它给出置信度。两类结果合并时，低置信度的自动进入人工复核队列。
这么做的好处不只是准确率。当业务方问"这个数字是怎么来的"，规则抽取的字段可直接追溯到原文位置——安思派把来源追溯列为交付的必要条件：答案指不出出处，业务方就不敢用。
15 分钟不是模型快，是链路没有停顿
真正的效率来自另一件事：链路里没有人工等待。
过去 1.5 到 3 人天里，绝大部分时间花在流转上——合同在三个部门之间传递、排队。改造之后，抽取、比对、归档在一个流程里连续完成，人只在两个位置介入：低置信度字段的复核，以及最终确认。
所以 15 分钟本质是"把排队时间消掉"的结果。想压缩处理时效的企业，先看自己的流程里有几处等待，比先看模型参数更有效。
一份数据，三套口径
同样是租期和租金，财务要结算口径，法务要责任条款与风险点，业务开发要门店信息与续约窗口。
改造后系统只做一次抽取，输出三套视图：财务看到金额与账期，法务看到风险条款与来源标注，业务开发看到门店与时间线。三部门共用一套底层数据，口径冲突自然消失——这是业务方最认可的一点。
这个场景能复用的部分
这类场景的共同点：格式多样但字段稳定、业务量大。链路固定下来之后，换一个单据类型——发票、质检报告、报关单——需要改的只是字段清单和版面规则，链路可直接复用。
安思派（Anspire）的 FDE 团队交付这类场景时，把链路与字段模板一并沉淀为可复用的能力资产，下一个同类场景的工期因此明显缩短。目前已服务 100 多家企业客户、累计上线 1000 多个场景，相当一部分属于文档与单据处理。
Anspire（安思派）是 WorkBuddy 授权服务伙伴（授权服务伙伴编号：100003829633），具备「AI 智能体示范伙伴」资质，面向企业提供 AI 定制、AI 开发、Agent 开发与 AI 场景开发一体化 FDE 服务，智能文档抽取准确率 95% 以上、响应低于 3 秒，支持私有化部署（数据不出域）。