智能制造 · Document AI

供应商材质智能分析平台

为全球工业制造龙头打造供应商材质报告智能分析平台：Document AI 结构化抽取、多模型共识校验化学成分、OneDrive 自动入库与人机协同门控，服务采购与质检一体化决策。

在全球供应链体系里，材质报告是采购与质检的「原始凭证」：供应商来自不同国家，版式、语言、扫描质量千差万别，有的手写批注、有的附带化学谱图。质检同事的真实工作流是——打开 PDF、肉眼读数、录入 ERP、再和同事交叉核对，一份报告动辄半小时，旺季排队积压。 传统 OCR 只能「认字」，对表格嵌套、多语言混排、手写批注往往失真；更关键的是，元素含量等字段容错极低，一个数字错误就可能导致批次拒收或错误放行。管理层希望引入 AI，但单一模型的幻觉风险在合规场景不可接受。 国科智飞采用 Document AI + 多模型共识的架构：先按供应商模板做版面分析与字段级抽取，再由多路大模型交叉验证元素检测结果，低置信度样本自动进入人工复核队列；同时对接 OneDrive 变更感知，新报告上传即触发解析。人机协同门控把「一次合格率」推到可运营、可审计的水平。

业务挑战

• 供应商材质报告版式众多，扫描件、手写与多语言混排导致传统 OCR 误识率高
• 化学元素含量等关键字段容错极低，错误直接影响采购放行与批次决策
• 报告分散在企业网盘与邮件中，缺乏统一入库、检索与审计追踪
• 单一 AI 模型存在幻觉风险，质检团队不敢把结果直接用于合规判定

我们的做法

• Document AI 版面分析与模板适配，字段级抽取化学成分、批次、供应商等信息
• 多模型共识校验：多路 LLM 交叉比对元素结果，冲突项自动转人工
• 对接 OneDrive 变更感知，自动触发解析、入库与复核工单
• 设计人机协同门控：置信度阈值、抽检策略与审计日志一体化

落地成果

• 材质报告数字化入库全自动，人工抄录工作量大幅下降，旺季积压缓解
• 元素检测一次合格率达成 100% 目标（在人机门控前提下）
• 采购与质检可按供应商、批次、元素维度实时检索历史报告
• 全链路审计可追溯，满足内控与供应商争议复盘需求

项目深读

负责来料质检的同事，工作日里有一项固定动作：打开共享盘，把新到的供应商材质报告逐份读一遍。报告来自不同国家的供应商，版式、语言、扫描质量各不相同——有的带着手写批注，有的附了化学谱图。流程也是固定的：打开 PDF、肉眼读数、录入 ERP、再找同事交叉核对。一份报告动辄半小时，供应商集中交货的旺季，报告就在待处理文件夹里排队。

这不是一个「识别几个字」的问题。材质报告是采购与质检的原始凭证：哪一批材料可以放行、哪一批要退回，都从这张纸上的数字出发。我们为一家全球工业制造龙头做的供应商材质智能分析平台，要解决的就是这条链路——而它的难点，比「OCR 准不准」要深得多。

问题为什么难

往下拆两层，会看到两个真正的约束。

第一层是输入的脏。传统 OCR 只能「认字」，遇到嵌套表格、多语言混排、手写批注，识别结果往往失真。而材质报告恰恰集中了这几类难点，同一份 PDF 里可能同时出现印刷体、手写体和谱图。

第二层是容错的低。化学元素含量这类字段，容错接近零——一个数字错了，就可能把不合格批次放行，或者把合格批次拒收。这决定了 AI 的输出不能只是一个「参考答案」，它必须能进入正式流程，并且经得起审计。

这两层叠加，产生了最棘手的问题：技术团队可以把模型指标调得很漂亮，质检同事依然不敢用。不是不信任技术，而是没人能回答「这一条为什么可信」。用一句话概括我们的判断：这个场景缺的不是更强的模型，而是一条可验证的判断链路。

我们做的关键决定

模板优先、字段级抽取，而不是端到端丢给大模型

供应商材质报告虽然杂，但版式在单个供应商内部相对稳定。我们先按供应商做版面分析与模板适配，再落到字段级抽取——化学成分、批次、供应商等信息分别抽出、分别校验。为什么不直接端到端？因为端到端一旦出错，你不知道错在哪一步；字段级拆开之后，每个字段有独立的规则、独立的置信度、独立的责任边界。审计要的就是这个粒度。

多模型共识，而不是相信一个更聪明的模型

单一模型在合规场景有一个无法回避的问题：幻觉。它可能在没有任何依据的情况下，「补」出一个看起来合理的数字。我们的做法是让多路大模型交叉验证元素检测结果——多方一致的结论进入下一步，冲突项自动转人工。共识的目的不是「让模型永远对」，而是让分歧暴露出来，交给真正能裁决的人。

人机门控写进产品，而不是留在口号里

低置信度样本自动进入人工复核队列，配合抽检策略与审计日志，构成一道可运营的关口。我们把验收口径明确定义为「人机门控前提下的一次合格率」，没有承诺无人值守——在这个场景里，承诺无人值守本身就是不负责。门控不是兜底方案，是产品的一部分。

落到工程上：一条能审计的流水线

平台的日常是这样运转的：

• 触发：企业网盘（OneDrive）变更感知监听新报告，上传即触发解析，业务同事不需要改变原有的存放习惯；
• 解析：版面分析识别供应商模板，按字段抽取化学成分、批次、供应商等信息；
• 校验：多路大模型交叉比对元素结果，输出一致度与置信度；
• 分流：高置信字段直接入库，低置信或冲突项生成复核工单；
• 复核：质检同事在界面上看到的不只是识别文本，还有原文位置、各模型意见与冲突点，不必重读整份报告；
• 归档：结构化结果写入系统，每个字段都保留来源与操作记录。

采购和质检后来能够按供应商、批次、元素三个维度实时检索历史报告，也是因为入库时就把这些字段当成了结构化的一等公民，而不是 PDF 里的几行字。

上线之后

业务侧最先感知到的变化，是「抄录」这个动作基本消失了：材质报告数字化入库全自动完成，人工抄录工作量大幅下降，旺季积压得到缓解。更深一层的变化是注意力的回归——质检同事的时间从誊写数字回到判断本身，只需要处理系统标出来的争议项。在人机门控前提下，元素检测一次合格率达成 100% 目标。

采购侧的变化也不小。过去要复盘一批材料的争议，得翻邮件、找 PDF；现在按供应商、批次、元素检索，历史记录随时可调。在内控与审计眼里，这条链路每一环都留有记录——AI 的参与不是黑箱，而是一段可以倒查的过程。

这条路径的可复用价值

如果同行也在做容错极低的文档智能场景，三点经验可以直接拿走：

1. 先承认输入是脏的。 与其期待一个模型解决所有版式，不如把版式分析、字段抽取、校验拆成可配置的流水线，让每一段可替换、可观测。
2. 把共识当机制，不要当技巧。 多模型交叉验证的价值不在「更准」，而在于让分歧显式化——分歧正是人工介入的最佳信号。
3. 验收标准里必须写清人的位置。 人机门控不是过渡方案，而是这类场景长期稳定运行的前提；说不清「人管哪一段」，系统就过不了合规那一关。

核心能力

• Document AI
• 多模型共识
• 企业系统集成
• 人机协同质检