我做的"财报自动录入 Excel"AI Skill 翻车了，根因就一个：PDF 里的数据根本读不准

一个银行对公业务员的自动化血泪史。流程、校验、脚本我都设计得挺漂亮，但最底层的一关——把 PDF 里的数字读出来——从一开始就没解决。

---

一、痛点：每天在和财报 PDF 搏斗

我是某银行对公业务条线的一名客户经理。日常最枯燥、最易错、又最不能错的一件事，就是把企业送来的财报 PDF 手动录入到银行固定的 Excel 授信模板里。

企业给的材料通常是年报、季报、审计报告，格式千奇百怪：有的能复制文本，有的是扫描件，有的把三大报表拆成二十多页。一旦录错一个数字，授信决策就可能误判，所以这件事必须零差错。

于是我用一个叫 WorkBuddy 的 AI 平台做了个 Skill，起名 「财务报表录入（financial-statement-entry）」，愿景很美好：上传 PDF，自动吐出填好数据的银行模板。

图1：理想中的 6 步零容错工作流

---

二、理想很丰满：流程、脚本、校验一应俱全

我花了一整轮对话把 Skill 从 YAML 到脚本一行行搭起来，结构堪称"教科书级别"：

• 6 步工作流：输入预检 → PDF 表格提取 → 数据清洗 → 科目映射录入 → 三重校验 → 归档交付。
• 8 个参考文档：模板映射、科目映射、PDF 提取技巧、单位换算、校验规则……写了 3200 多行。
• 4+ 个 Python 脚本：提取、清洗、表内校验、表间勾稽校验，外加内置的银行财务报表模板。
• 零容错校验体系：P0/P1/P2 三级，白纸黑字写着"校验不通过禁止进入下一步"。

我当时觉得：这玩意儿稳了。

结果首测，一步都没走通——卡在了最不起眼、我以为"pdfplumber 一行搞定"的第一步：从 PDF 里把数据读出来。

图2：理想 vs 现实，首测达成度对比

---

三、真正的杀手：PDF 数据根本读不准

我没意识到，整个 Skill 的地基是"PDF 能准确读出结构化表格"。可真实财报 PDF 偏偏在这一关给了我以下四记闷棍：

3.1 文本型 PDF 也脆弱

能复制文字的 PDF，用 pdfplumber 确实能提。但财报不是干净表格：多栏并排、合并单元格、表头跨行，提取出来经常科目名和数字错位——左边资产类的科目，莫名其妙填到了右边负债类的列里。这种错位肉眼难辨，却足以让后续校验全盘报错。

3.2 图片型 / 扫描件 PDF：直接读空

年份较近的审计报告是图片层 PDF，文本层几乎为空。pdfplumber 在它身上提取到的内容趋近于零。后果很具体：连续多个历史年度的数据全部缺失，流水线只能录进最近两期（期初数 + 期末数），前面的年份一片空白。

图3：多个历史年度数据缺失缺口

3.3 多栏、合并单元格、跨页：结构断裂

资产负债表天然左右分栏（资产 | 负债及权益），审计报告还常把一张表拆成两页。通用提取器不会"按栏归位"、也不会"跨页拼接"，结果是半张表、错位的列、丢失的小计行。而这些小计行恰恰是校验勾稽关系的命门。

3.4 读出来了，科目名却对不上

即便数字侥幸读出来了，科目名称也是千变万化："应收票据及应收账款" vs "应收账款"、新旧准则差异、重分类调整（一年内到期的非流动资产）……模糊匹配根本兜不住。读是读到了，却填不进模板对应的格子里。

一句话总结翻车根因：我把 90% 的精力花在了"读出来之后怎么办"，却假设了"读出来"这件最难的事天然成立。真实世界狠狠打脸。

---

四、为什么 PDF 读取这么难？

复盘下来，这不是我一个人的坑，是真实业务的复杂度 vs "通用自动化"假设之间的结构性冲突：

第一，真实财报 PDF 远比想象复杂。 扫描件、图片层、多栏布局、合并单元格、跨页表格——教科书里的 pdfplumber 示例，在真实审计报告的扫描件面前基本失效。没有 OCR、没有版面分析，"读取"二字就是空中楼阁。

第二，表格结构恢复是独立的 hard 问题。 即使 OCR 出了文字，把零散文字块还原成"哪行哪列"仍需版面分析：按坐标聚类行、按栏切分列、识别合并单元格。这不是简单字符串匹配能解决的。

第三，"通用 Skill" 与 "具体公司报表" 天然矛盾。 每家公司的科目命名、列顺序、报表结构都不同。想一个 Skill 通吃所有企业财报，等于想用一把钥匙开所有锁。

更讽刺的是，我设计的零容错校验反而放大了挫败感——底层读不准，上层再严的校验也只是更快地告诉你"错了"。

---

五、踩坑后的 5 条反思（先把"读准"这关过了）

1. 先验证最底层的假设，再谈上层架构。 我花大力气设计完美流程，却没先拿真实 PDF 实测"能不能读出来"。地基没验证，楼盖得再漂亮也白搭。

2. PDF 解析必须兜底 OCR + 版面分析。 文本层为空时自动切换 OCR，并对 OCR 结果做表格结构恢复；否则图片型 PDF 永远是死穴。

3. OCR 结果必须标注置信度、强制人工复核。 财务零容错意味着 AI 只能做"辅助提取 + 可疑项提示"，最终确认权必须在人手里。读得准不准，人得拍板。

4. 通用映射不如先打标。 与其追求全自动匹配，不如先用一家真实客户把科目映射"打标"到位，跑通后再谈泛化。

5. 校验要分级、要可读。 报告要让业务人员看得懂——哪里不平、差多少、建议怎么改，比一句"校验失败"有用一百倍。

---

六、结语

这个 Skill 现在不能用，根因不在流程、不在脚本、不在校验，而在最底层那一步：PDF 里的数据，压根没被准确地读出来。

AI 自动化的价值，不在于一次性替你干完所有活，而在于把重复的、低风险的脏活先干了。但"读准数据"这件事，恰恰是那个不能跳过的、最该先啃下来的硬骨头。 啃不下来，后面全是空中楼阁。

翻车不可怕，可怕的是翻完车还以为自己只是"细节没打磨好"。