单据录入 Agent：发票合同订单自动化处理

本教程面向单据处理场景，展示如何利用 xParse Extract API 直接从单据文档中抽取结构化信息，并通过 Agent 进行数据验证。

场景介绍

业务痛点

在财务和采购场景中，企业面临以下挑战：

单据量大：需要处理大量发票、合同、订单、收据等单据
信息提取繁琐：需要从单据中提取关键信息（金额、税号、日期、商品明细等）
数据验证困难：需要验证数据的完整性和准确性（金额计算、日期合理性等）
格式多样：单据格式不统一，有PDF、图片、扫描件等
人工成本高：手动录入和核对效率低，容易出错

解决方案

通过构建单据提取Agent，我们可以实现：

一步完成解析与抽取：使用 xParse Extract API，通过定义 Schema 直接从文档中提取结构化数据，无需先解析再用大模型抽取
Schema 驱动：为发票、合同、订单分别定义抽取 Schema，精确控制提取字段
数据验证：自动验证提取的数据（金额校验、日期检查、必填项检查等）
批量处理：支持批量处理大量单据

架构设计

单据文档（PDF/图片/扫描件）
    ↓
[xParse Extract API]
    └─ 解析 + 结构化抽取（一步完成）
    ↓
[LangChain Agent]
    ├─ Tool 1: extract_invoice_info（发票抽取 Schema）
    ├─ Tool 2: extract_contract_info（合同抽取 Schema）
    ├─ Tool 3: extract_order_info（订单抽取 Schema）
    └─ Tool 4: validate_data（数据验证）
    ↓
结构化数据（JSON）+ 验证报告

核心思路：xParse Extract API 通过 Schema 定义一步完成文档解析与结构化抽取，Agent 负责根据用户意图选择合适的抽取工具和执行验证。

环境准备

首先安装必要的依赖：

python -m venv .venv && source .venv/bin/activate
pip install requests langchain langchain-community langchain-core python-dotenv dashscope

创建 .env 文件存储配置：

# .env
TEXTIN_APP_ID=your-app-id
TEXTIN_SECRET_CODE=your-secret-code
DASHSCOPE_API_KEY=your-dashscope-key

提示：TEXTIN_APP_ID 与 TEXTIN_SECRET_CODE 参考 API Key，请登录 Textin 工作台获取。示例中使用 通义千问 的大模型能力，其他模型用法类似。

完整代码示例

下面是一个完整的、可以直接运行的示例：

import os
import json
import base64
import glob
import re
from datetime import datetime
from dotenv import load_dotenv
import requests
from langchain_core.tools import Tool
from langchain.agents import initialize_agent, AgentType
from langchain_community.chat_models import ChatTongyi

load_dotenv()

# ========== Step 1: Extract API 配置 ==========

DOCS_DIR = "/your/doc/folder"
EXTRACT_API_URL = "https://api.textin.com/ai/service/v3/entity_extraction"

def extract_from_file(file_path: str, schema: dict, generate_citations: bool = False, stamp: bool = False) -> dict:
    with open(file_path, "rb") as f:
        file_base64 = base64.b64encode(f.read()).decode("utf-8")
    payload = {
        "file": {"file_base64": file_base64, "file_name": os.path.basename(file_path)},
        "schema": schema,
        "extract_options": {"generate_citations": generate_citations, "stamp": stamp}
    }
    headers = {
        "x-ti-app-id": os.getenv("TEXTIN_APP_ID"),
        "x-ti-secret-code": os.getenv("TEXTIN_SECRET_CODE"),
        "Content-Type": "application/json"
    }
    response = requests.post(EXTRACT_API_URL, json=payload, headers=headers)
    result = response.json()
    if result.get("code") != 200:
        raise Exception(f"Extract API 错误: {result.get('message', '未知错误')}")
    return result["result"]

# ========== Step 2: 定义抽取 Schema ==========

INVOICE_SCHEMA = {
    "type": "object",
    "properties": {
        "发票号码": {"type": ["string", "null"], "description": "发票号码"},
        "发票代码": {"type": ["string", "null"], "description": "发票代码"},
        "开票日期": {"type": ["string", "null"], "description": "开票日期"},
        "销售方名称": {"type": ["string", "null"], "description": "销售方名称"},
        "销售方税号": {"type": ["string", "null"], "description": "销售方纳税人识别号"},
        "购买方名称": {"type": ["string", "null"], "description": "购买方名称"},
        "购买方税号": {"type": ["string", "null"], "description": "购买方纳税人识别号"},
        "商品明细": {
            "type": "array", "description": "商品明细列表",
            "items": {
                "type": "object",
                "properties": {
                    "名称": {"type": ["string", "null"], "description": "商品名称"},
                    "规格型号": {"type": ["string", "null"], "description": "规格型号"},
                    "数量": {"type": ["string", "null"], "description": "数量"},
                    "单价": {"type": ["string", "null"], "description": "单价"},
                    "金额": {"type": ["string", "null"], "description": "金额"},
                    "税率": {"type": ["string", "null"], "description": "税率"}
                },
                "required": ["名称", "金额"]
            }
        },
        "合计金额": {"type": ["string", "null"], "description": "合计金额"},
        "税额": {"type": ["string", "null"], "description": "税额"},
        "价税合计": {"type": ["string", "null"], "description": "价税合计"}
    },
    "required": ["发票号码", "开票日期", "商品明细", "价税合计"]
}

CONTRACT_SCHEMA = {
    "type": "object",
    "properties": {
        "合同编号": {"type": ["string", "null"], "description": "合同编号"},
        "签署日期": {"type": ["string", "null"], "description": "签署日期"},
        "生效日期": {"type": ["string", "null"], "description": "生效日期"},
        "到期日期": {"type": ["string", "null"], "description": "到期日期"},
        "甲方名称": {"type": ["string", "null"], "description": "甲方名称"},
        "乙方名称": {"type": ["string", "null"], "description": "乙方名称"},
        "甲方联系方式": {"type": ["string", "null"], "description": "甲方联系方式"},
        "乙方联系方式": {"type": ["string", "null"], "description": "乙方联系方式"},
        "合同总价": {"type": ["string", "null"], "description": "合同总价"},
        "付款方式": {"type": ["string", "null"], "description": "付款方式"},
        "付款期限": {"type": ["string", "null"], "description": "付款期限"},
        "违约责任": {"type": ["string", "null"], "description": "违约责任条款"},
        "争议解决": {"type": ["string", "null"], "description": "争议解决方式"},
        "合同期限": {"type": ["string", "null"], "description": "合同期限"}
    },
    "required": ["合同编号", "签署日期", "甲方名称", "乙方名称", "合同总价"]
}

ORDER_SCHEMA = {
    "type": "object",
    "properties": {
        "订单号": {"type": ["string", "null"], "description": "订单号"},
        "下单日期": {"type": ["string", "null"], "description": "下单日期"},
        "交货日期": {"type": ["string", "null"], "description": "交货日期"},
        "客户名称": {"type": ["string", "null"], "description": "客户名称"},
        "联系方式": {"type": ["string", "null"], "description": "联系方式"},
        "地址": {"type": ["string", "null"], "description": "地址"},
        "商品明细": {
            "type": "array", "description": "商品明细列表",
            "items": {
                "type": "object",
                "properties": {
                    "名称": {"type": ["string", "null"], "description": "商品名称"},
                    "规格": {"type": ["string", "null"], "description": "规格"},
                    "数量": {"type": ["string", "null"], "description": "数量"},
                    "单价": {"type": ["string", "null"], "description": "单价"},
                    "金额": {"type": ["string", "null"], "description": "金额"}
                },
                "required": ["名称", "金额"]
            }
        },
        "订单总额": {"type": ["string", "null"], "description": "订单总额"},
        "运费": {"type": ["string", "null"], "description": "运费"},
        "优惠金额": {"type": ["string", "null"], "description": "优惠金额"},
        "实付金额": {"type": ["string", "null"], "description": "实付金额"}
    },
    "required": ["订单号", "下单日期", "商品明细", "实付金额"]
}

VALIDATION_SCHEMA = {
    "type": "object",
    "properties": {
        "发票号码": {"type": ["string", "null"], "description": "发票号码"},
        "发票代码": {"type": ["string", "null"], "description": "发票代码"},
        "开票日期": {"type": ["string", "null"], "description": "开票日期"},
        "销售方税号": {"type": ["string", "null"], "description": "销售方纳税人识别号"},
        "购买方税号": {"type": ["string", "null"], "description": "购买方纳税人识别号"},
        "合计金额": {"type": ["string", "null"], "description": "合计金额"},
        "税额": {"type": ["string", "null"], "description": "税额"},
        "价税合计": {"type": ["string", "null"], "description": "价税合计"},
        "合同编号": {"type": ["string", "null"], "description": "合同编号"},
        "签署日期": {"type": ["string", "null"], "description": "签署日期"},
        "合同总价": {"type": ["string", "null"], "description": "合同总价"},
        "订单号": {"type": ["string", "null"], "description": "订单号"},
        "下单日期": {"type": ["string", "null"], "description": "下单日期"},
        "实付金额": {"type": ["string", "null"], "description": "实付金额"},
        "商品明细": {
            "type": "array", "description": "商品明细列表",
            "items": {
                "type": "object",
                "properties": {
                    "名称": {"type": ["string", "null"], "description": "商品名称"},
                    "金额": {"type": ["string", "null"], "description": "金额"}
                },
                "required": ["名称"]
            }
        }
    },
    "required": []
}

# ========== Step 3: 初始化大模型 ==========

llm = ChatTongyi(
    model="qwen-max",
    top_p=0.8,
    dashscope_api_key=os.getenv("DASHSCOPE_API_KEY")
)

# ========== Step 4: 构建 LangChain Tools ==========

def extract_invoice_info(query: str) -> str:
    """从发票中提取结构化信息"""
    filename = query.split("文件:")[-1].strip() if "文件:" in query else None
    if not filename:
        return "❌ 请提供文件名，格式：提取发票信息 文件:发票.pdf"
    file_path = os.path.join(DOCS_DIR, filename)
    if not os.path.exists(file_path):
        return f"❌ 文件不存在: {file_path}"
    try:
        result = extract_from_file(file_path, INVOICE_SCHEMA)
        return json.dumps(result["extracted_schema"], ensure_ascii=False, indent=2)
    except Exception as e:
        return f"❌ 提取信息时出错：{str(e)}"

def extract_contract_info(query: str) -> str:
    """从合同中提取关键信息"""
    filename = query.split("文件:")[-1].strip() if "文件:" in query else None
    if not filename:
        return "❌ 请提供文件名，格式：提取合同信息 文件:合同.pdf"
    file_path = os.path.join(DOCS_DIR, filename)
    if not os.path.exists(file_path):
        return f"❌ 文件不存在: {file_path}"
    try:
        result = extract_from_file(file_path, CONTRACT_SCHEMA)
        return json.dumps(result["extracted_schema"], ensure_ascii=False, indent=2)
    except Exception as e:
        return f"❌ 提取信息时出错：{str(e)}"

def extract_order_info(query: str) -> str:
    """从订单中提取信息"""
    filename = query.split("文件:")[-1].strip() if "文件:" in query else None
    if not filename:
        return "❌ 请提供文件名，格式：提取订单信息 文件:订单.pdf"
    file_path = os.path.join(DOCS_DIR, filename)
    if not os.path.exists(file_path):
        return f"❌ 文件不存在: {file_path}"
    try:
        result = extract_from_file(file_path, ORDER_SCHEMA)
        return json.dumps(result["extracted_schema"], ensure_ascii=False, indent=2)
    except Exception as e:
        return f"❌ 提取信息时出错：{str(e)}"

def validate_data(query: str) -> str:
    """验证提取的数据"""
    filename = query.split("文件:")[-1].strip() if "文件:" in query else None
    if not filename:
        return "❌ 请提供文件名，格式：验证数据 文件:发票.pdf"
    file_path = os.path.join(DOCS_DIR, filename)
    if not os.path.exists(file_path):
        return f"❌ 文件不存在: {file_path}"

    try:
        result = extract_from_file(file_path, VALIDATION_SCHEMA, generate_citations=True)
        data = result["extracted_schema"]
        citations = result.get("citations", {})

        checks = []

        if "发票" in filename:
            required_fields = ["发票号码", "开票日期", "价税合计"]
        elif "合同" in filename or "contract" in filename:
            required_fields = ["合同编号", "签署日期", "合同总价"]
        elif "订单" in filename or "order" in filename:
            required_fields = ["订单号", "下单日期", "实付金额"]
        else:
            required_fields = []

        missing = [f for f in required_fields if not data.get(f)]
        checks.append({
            "type": "必填项检查",
            "status": "fail" if missing else "pass",
            "message": f"缺少: {', '.join(missing)}" if missing else "所有必填项已填写"
        })

        amount_status = "pass"
        amount_message = "金额校验通过"
        subtotal = data.get("合计金额") or data.get("订单总额")
        tax = data.get("税额")
        total = data.get("价税合计") or data.get("实付金额") or data.get("合同总价")
        if subtotal and tax and total:
            try:
                s = float(re.sub(r"[^\d.]", "", subtotal))
                t = float(re.sub(r"[^\d.]", "", tax))
                tot = float(re.sub(r"[^\d.]", "", total))
                if abs(s + t - tot) > 0.01:
                    amount_status = "warning"
                    amount_message = f"合计金额({s}) + 税额({t}) = {s+t}，与价税合计({tot})不一致"
            except ValueError:
                amount_status = "warning"
                amount_message = "金额字段包含非数字内容，无法自动校验"
        else:
            amount_status = "warning"
            amount_message = "部分金额字段缺失，无法校验"
        checks.append({"type": "金额计算验证", "status": amount_status, "message": amount_message})

        date_status = "pass"
        date_message = "日期格式合理"
        date_fields = ["开票日期", "签署日期", "下单日期", "交货日期", "生效日期", "到期日期"]
        for field in date_fields:
            val = data.get(field)
            if val:
                for fmt in ["%Y-%m-%d", "%Y年%m月%d日", "%Y/%m/%d", "%Y.%m.%d"]:
                    try:
                        dt = datetime.strptime(val, fmt)
                        if dt > datetime.now():
                            date_status = "warning"
                            date_message = f"{field}({val}) 为未来日期"
                        break
                    except ValueError:
                        continue
        checks.append({"type": "日期合理性检查", "status": date_status, "message": date_message})

        format_status = "pass"
        format_message = "格式验证通过"
        for tax_field in ["销售方税号", "购买方税号"]:
            val = data.get(tax_field)
            if val and not re.match(r"^[A-Za-z0-9]{15,20}$", val):
                format_status = "warning"
                format_message = f"{tax_field}({val}) 格式可能不正确"
                break
        checks.append({"type": "格式验证", "status": format_status, "message": format_message})

        overall = "pass"
        if any(c["status"] == "fail" for c in checks):
            overall = "fail"
        elif any(c["status"] == "warning" for c in checks):
            overall = "warning"

        return json.dumps({
            "file": filename,
            "checks": checks,
            "overall_status": overall,
            "extracted_data": data
        }, ensure_ascii=False, indent=2)
    except Exception as e:
        return f"❌ 验证数据时出错：{str(e)}"

def process_documents(query: str) -> str:
    """批量提取所有单据"""
    patterns = ["*.pdf", "*.png", "*.jpg", "*.jpeg"]
    results = {}
    count = 0
    for pattern in patterns:
        for file_path in glob.glob(os.path.join(DOCS_DIR, pattern)):
            fname = os.path.basename(file_path)
            try:
                if "发票" in fname or "invoice" in fname:
                    result = extract_from_file(file_path, INVOICE_SCHEMA)
                elif "合同" in fname or "contract" in fname:
                    result = extract_from_file(file_path, CONTRACT_SCHEMA)
                elif "订单" in fname or "order" in fname:
                    result = extract_from_file(file_path, ORDER_SCHEMA)
                else:
                    result = extract_from_file(file_path, INVOICE_SCHEMA)
                results[fname] = result["extracted_schema"]
                count += 1
            except Exception as e:
                results[fname] = f"提取失败: {str(e)}"
    return json.dumps({"total": count, "results": results}, ensure_ascii=False, indent=2)

tools = [
    Tool(
        name="process_documents",
        description="批量提取所有单据文档的结构化信息。输入：'提取所有文档' 或文件名。",
        func=process_documents
    ),
    Tool(
        name="extract_invoice_info",
        description="从发票中提取结构化信息，包括发票号码、开票日期、销售方信息、购买方信息、商品明细、金额信息等。输入格式：提取发票信息 文件:发票.pdf",
        func=extract_invoice_info
    ),
    Tool(
        name="extract_contract_info",
        description="从合同中提取关键信息，包括合同编号、签署日期、签约方信息、合同金额、关键条款等。输入格式：提取合同信息 文件:合同.pdf",
        func=extract_contract_info
    ),
    Tool(
        name="extract_order_info",
        description="从订单中提取信息，包括订单号、下单日期、客户信息、商品明细、金额信息等。输入格式：提取订单信息 文件:订单.pdf",
        func=extract_order_info
    ),
    Tool(
        name="validate_data",
        description="验证提取的数据，包括必填项检查、金额计算验证、日期合理性检查、格式验证等。输入格式：验证数据 文件:发票.pdf",
        func=validate_data
    )
]

# ========== Step 5: 初始化 Agent ==========

agent = initialize_agent(
    tools=tools,
    llm=llm,
    agent=AgentType.ZERO_SHOT_REACT_DESCRIPTION,
    verbose=True,
    agent_kwargs={
        "prefix": """你是一个专业的单据处理助手。你的任务是帮助用户：
1. 从发票、合同、订单中提取关键信息
2. 验证提取的数据完整性和准确性
3. 检查数据格式和合理性

在回答时，请：
- 选择合适的工具提取信息
- 提供结构化的提取结果（JSON格式）
- 明确标注验证结果（通过/失败/警告）
- 如果发现问题，说明具体的问题和建议
- 使用工具获取准确的信息，不要猜测
"""
    }
)

# ========== Step 6: 使用示例 ==========

if __name__ == "__main__":
    print("=" * 60)
    print("示例 1: 提取发票信息")
    print("=" * 60)
    response = agent.invoke({
        "input": "从发票中提取发票号码、开票日期、金额和商品明细 文件:invoice.pdf"
    })
    print(response["output"])
    print()

    print("=" * 60)
    print("示例 2: 提取合同信息")
    print("=" * 60)
    response = agent.invoke({
        "input": "从合同中提取合同编号、签署日期、签约方和合同金额 文件:contract.pdf"
    })
    print(response["output"])
    print()

    print("=" * 60)
    print("示例 3: 提取订单信息")
    print("=" * 60)
    response = agent.invoke({
        "input": "从订单中提取订单号、下单日期、客户信息和商品明细 文件:order.pdf"
    })
    print(response["output"])
    print()

    print("=" * 60)
    print("示例 4: 数据验证")
    print("=" * 60)
    response = agent.invoke({
        "input": "验证发票数据：检查必填项、金额计算、日期合理性、税号格式 文件:invoice.pdf"
    })
    print(response["output"])

代码说明

Step 1: Extract API 配置

extract_from_file 是核心辅助函数，负责：

读取文件并编码为 Base64
构建请求体（文件 + Schema + 选项）
调用 Extract API，一步完成文档解析与结构化抽取
通过 x-ti-app-id 和 x-ti-secret-code 请求头进行认证

Step 2: Schema 定义

为每种单据类型定义抽取 Schema：

INVOICE_SCHEMA：发票信息（发票号码、销售方/购买方、商品明细、金额等）
CONTRACT_SCHEMA：合同信息（合同编号、签约方、金额、关键条款等）
ORDER_SCHEMA：订单信息（订单号、客户信息、商品明细、金额等）
VALIDATION_SCHEMA：验证用的通用 Schema，覆盖各类单据的关键字段

Schema 遵循 JSON Schema 规范，通过 type、description、required 精确定义提取字段。

Step 3: 信息提取 Tools

每个 Tool 的工作流程：

从查询中提取文件名
调用 extract_from_file 传入对应的 Schema
Extract API 直接返回结构化 JSON 结果

关键点：不再需要先解析文档再用大模型抽取，Extract API 一步完成。

Step 4: Agent 配置

Agent 会自动：

根据用户意图选择合适的 Tool
调用 Extract API 提取信息
组织最终的回答

使用示例

示例 1：提取发票信息

response = agent.invoke({
    "input": "从发票中提取发票号码、开票日期、销售方税号、购买方税号、商品明细和金额 文件:invoice.pdf"
})
print(response["output"])

示例 2：提取合同信息

response = agent.invoke({
    "input": "从合同中提取合同编号、签署日期、甲方、乙方、合同金额和违约责任条款 文件:contract.pdf"
})
print(response["output"])

示例 3：提取订单信息

response = agent.invoke({
    "input": "从订单中提取订单号、下单日期、客户信息和商品明细 文件:order.pdf"
})
print(response["output"])

示例 4：数据验证

response = agent.invoke({
    "input": "验证提取的发票数据：检查必填项、金额计算、日期合理性、税号格式 文件:invoice.pdf"
})
print(response["output"])

最佳实践

Schema 设计：根据实际业务需求定义 Schema 字段，使用 required 标记必要字段，使用 description 提供清晰的字段说明
文档质量：对于扫描件和图片，确保分辨率足够，Extract API 内置高精度 OCR 引擎
坐标引用：开启 generate_citations 可获取字段在文档中的位置坐标，便于人工核对
数据验证：提取后立即验证，确保数据完整性和准确性
批量处理：使用 process_documents 批量提取，提高效率
错误处理：对于提取失败的单据，记录错误信息，便于人工处理

常见问题

Q: 如何处理模糊的扫描件？
A: 1) 使用高质量的扫描件；2) 预处理图片（去噪、增强对比度）；3) Extract API 内置了高精度 OCR 引擎，可以处理大多数扫描件。 Q: 如何自定义提取字段？
A: 修改对应的 Schema 定义即可。Schema 遵循 JSON Schema 规范，支持 string、number、array、object 等类型，通过 description 描述字段含义。 Q: 如何处理多页单据？
A: Extract API 会自动处理多页文档，从所有页面中提取信息。 Q: 可以使用其他 LLM 吗？
A: 可以。Agent 编排部分使用 LangChain，支持多种 LLM，只需替换 ChatTongyi（通义千问）为对应的类，如 ChatOpenAI（OpenAI）、ChatZhipuAI（智谱AI）等。信息提取由 Extract API 完成，不依赖特定 LLM。

导览

xParse + LangChain 构建 Agent

RAG 应用

Dify 平台集成

示例 Demo

单据录入 Agent：发票合同订单自动化处理

场景介绍

业务痛点

解决方案

架构设计

环境准备

完整代码示例

代码说明

Step 1: Extract API 配置

Step 2: Schema 定义

Step 3: 信息提取 Tools

Step 4: Agent 配置

使用示例

示例 1：提取发票信息

示例 2：提取合同信息

示例 3：提取订单信息

示例 4：数据验证

最佳实践

常见问题

相关文档

导览

xParse + LangChain 构建 Agent

RAG 应用

Dify 平台集成

示例 Demo

​场景介绍

​业务痛点

​解决方案

​架构设计

​环境准备

​完整代码示例

​代码说明

​Step 1: Extract API 配置

​Step 2: Schema 定义

​Step 3: 信息提取 Tools

​Step 4: Agent 配置

​使用示例

​示例 1：提取发票信息

​示例 2：提取合同信息

​示例 3：提取订单信息

​示例 4：数据验证

​最佳实践

​常见问题

​相关文档

场景介绍

业务痛点

解决方案

架构设计

环境准备

完整代码示例

代码说明

Step 1: Extract API 配置

Step 2: Schema 定义

Step 3: 信息提取 Tools

Step 4: Agent 配置

使用示例

示例 1：提取发票信息

示例 2：提取合同信息

示例 3：提取订单信息

示例 4：数据验证

最佳实践

常见问题

相关文档