文档处理系统栽了：90%的"提取失败"其实是 intake 顺序

你的文档处理系统准确率 94%，但运营团队每周还在手动分拣 2000 份混装文件。问题不在深度学习模型，而在流水线设计时的那个默认假设。

每份上传都是一份独立、自包含、角色明确的文档——这个假设在生产环境里崩得比想象中快得多。

真实工作流接收的往往是混装包：发票粘着收据、KYC 表格夹着身份证扫描件、理赔单混着十几页佐证材料。如果原封不动塞进同一条提取路径，下游的解读难度会呈指数级上升。

故障表现从不惊天动地，全是运营层面的慢性消耗。字段错位、上下文丢失、人工复核队列积压——这些被归类为"提取问题"的症状，根源其实是 intake 顺序问题。

为什么先分拣比先"变聪明"更重要

如果让我从零设计，我会在深度提取之前加一个分拣层（triage layer）。这层不需要做复杂的事，把几件简单的事做好就够：

识别每页的文档类型、标记主次关系、按业务角色重新排序。精度不必追求完美，哪怕只是 modest 的分拣步骤，也能让后续的提取和复核逻辑清晰很多。

具体收益有三点。

第一，锚定页识别让字段映射有据可依。系统知道哪一页是案件核心，后续的结构化解读就有了坐标原点。混装包里最常见的混乱是"这个日期到底属于发票还是合同"，锚定页能解决 80% 的此类歧义。

第二，复核员能直接看到页面角色和包结构，不用在脑海里手动重建案件脉络。一个保险理赔审核员曾向我描述她的日常：打开 PDF，先花 3 分钟翻页判断"这是什么"，才能开始真正的审核工作。分拣层能把这 3 分钟压缩到 3 秒。

第三，提取路径可以按角色拆分，而非用一条巨型逻辑覆盖所有可能的页面组合。维护成本下降，边界情况减少，系统行为更可预测。

代价与常见陷阱

分拣层当然有 tradeoff：延迟增加、架构变复杂、需要维护文档类型清单。但在大多数混装包场景里，这些代价低于"强迫每页走同一套逻辑"的长期成本。

轻量实现可以从这几步起步：基于规则的首页分类、置信度阈值触发的人工复核队列、简单的页码重排逻辑。把这些跑稳之后，再投资更复杂的提取行为。

一个常见错误是把复杂度优先塞进提取器。这往往让输出看起来"更智能"，却让整条流水线更难信任——黑箱模型输出了漂亮的结果，但你不知道它把收据上的金额错挂到了发票字段，直到客户投诉。

很多文档系统的可靠性提升，并非因为提取层变强了，而是因为 intake 路径变得更克制、更有纪律。

模板功能让你快速回复常见问题或存储可复用片段——但前提是，你得先知道自己在回复哪一类问题。分拣层做的，就是给后续所有自动化一个清晰的上下文起点。