文档智能解析只是前半场：企业文档进 AI 工作流，最后一公里是“让人确认“

先看一次真实的"翻车"。

一台设备的技术参数表里，型号 TX-300 低温版额定功率是 280W，表底一行小字备注：“低温版环境温度须 ≤ -20℃”。解析工具把表格转成了 Markdown，数字都识别对了，但切分时 280W 和它的限定条件被分到两个块里。下游 Agent 检索到"280W"，看不到"≤ -20℃"那条限制，输出了一份在常温机房也能跑的采购方案。

参数没错，结论错了。这不是 OCR 认错字，是结构关系丢了。

解析这件事，难点从来不在"认字"，在"关系"。

企业文档里大量信息靠排版承载：数字在哪一列，决定它是今年还是去年；标题管到哪一行，决定这段话适用于哪类产品；几个型号共用一个合并单元格，意味着它们归属同一系列。文字识别出来只是第一步，真正难的，是把这些排版表达的"关系"原样保留下来——跨页表格、合并单元格、多级表头、表下的条件备注。

这些关系一旦在转换过程中被抹平，下游任何任务都会跟着错。问题在于：解析工具普遍承诺"机器读得懂"，但"读得懂"有三个层次——识别对、结构对、关系对。 多数解析产品能稳定做到前两层，第三层在复杂版式上仍是靠"尽力"。更麻烦的是，解析输出的是数据，你没法直观看到哪条关系丢了。

还有一个被低估的东西：坐标。

解析结果保留页码、版面坐标，看起来是个"加分项"，其实它是证据链。Agent 给出一个参数，审核的人必然追问：在原文哪里？前面有没有限定条件？如果解析结果只给数字不给位置，下游应用就算想做"点击回看"也做不了——底层没有依据可回。

所以真正的问题在下一环：断链。

现在的企业 AI 链路是机器到机器：文档 → 解析 → 切分 → 向量化 → 检索 → 生成。每一步都在"快"，但没有人真正看过原文。而文档恰恰是错误成本最高的地方——合同、标书、技术规范，一个被切断的关系、一条被忽略的备注，都可能变成一笔错误的订单、一份无效的合同。

断链的代价是双重的：

一是错误被自动化。人审文件，看岔一处，影响有限；Agent 批量处理，看岔一处，影响被放大一百倍。机器的错误是系统性的，一旦方向错了，规模越大错得越稳。

二是没有反馈信号。人审文件时发现的"这里不对"，会变成下一次核对的注意力；Agent 错了，如果没人回原文核过、没有人在结论旁边写下"这条被忽略了"，这个错误就永远停留在系统里，不产生任何学习信号。

“让人确认”，不是流程的倒退，是回路闭合。

解析和确认之间缺的一环，是机器到人、再到机器的反馈回路。人的确认承担两件事：

第一，兜底。AI 输出结论，人对原文核验，这是对抗幻觉的最终防线，成本最低、最可靠。

第二，留痕。谁批的、批在哪、什么版本、什么时候放的行——这不仅是协作记录，是审计证据链。企业上 Agent，合规部门第一个问的问题永远是：AI 的结论，人确认过吗？确认的证据在哪？

把证据链接回人的工作台，不需要重新发明什么。

两个现成能力接起来就够：

预览——Word、PDF、扫描件在业务系统里直接打开，不用下载、不用装客户端。AI 说"4.2 条有交付条件限制"，人打开原文，翻到那一节，答案和依据一眼对上。这一步的前提，正是解析时保留的那份坐标。

批注——确认意见直接写在文档上，随文、随版本、随人。放行还是驳回、改哪里、谁提的，全部落在文档上而不是聊天记录里。事后要查，打开文档就是完整证据链。

落到业务里：

合同审查——AI 抽出交付条件、付款节点、违约责任，法务对原文逐条核，异议批注在对应条款上，修改有依据，放行有记录。

设备采购——几百行参数表，AI 抽关键指标并标注来源位置，采购点开原文确认"这个数对应哪个型号、带什么限定条件"，对的才下单。

标书评审——多位专家审多份标书，AI 先抽资质、报价、格式项，专家在线对原件写意见，谁通过谁驳回全程留痕，评标结束可回溯。

想看这套"预览 + 批注 + 抽取"在自己文档上长什么样的，可以到 WPS 开放平台的体验中心试，把合同或参数表传上去，十分钟就能走完"解析之后回原文确认"这一公里。地址在 https://365.kdocs.cn/3rd/open/experience。

机器读懂文档，决定 AI 能不能跑起来；人确认文档，决定业务敢不敢让它跑。解析解决"机器读得懂"的问题，而"人看得见、核得了、留得下"——这一公里，不是解析的附属品，是企业 AI 落地的主路。