导读
从一堆文件里找一个数，这件事交给 AI 之前，先分清手上这份是哪一种。
一种是文字版，从系统里导出来的，里面的字就是字，能选、能复制。另一种是扫描件，拍下来或者传真过来的，整页其实是一张图片。这两类要做的事完全不同，混着做会出错，而且错得看不出来。
同一份内容，我做成两份 PDF 对比过。文字版那份，程序直接读出 50 个字符。把它渲染成图片再塞进 PDF，读出来 0 个字符，检出一张图。如果不先判类型，遇到第二种，它会告诉你里面什么都没有。更糟的情况是，接着换一个模型去看图，然后凭一张模糊的图给你一个看起来很像的数。
从扫描件里读数字，错法是固定的。1 和 7、0 和 O、小数点位置。这些错在答案里看不出来，只有翻回原页才看得出。
下面这段整块发给你的 AI。
把这段话整段发给你的 AI
复制下面整块，原样发给它：
左右滑动查看完整代码
我要从一批文件里找一些内容，或者核对一些数。文件在这里：（说明数量、格式、大概多少页，或者直接把文件给 AI）
第一步，先判类型。逐个文件告诉我它是文字版还是扫描件，判断依据是什么。这两类后面分开处理，不要混在一起。
如果文件太多或者太大，没法直接交给你，就先给我一套能在本机照着跑的步骤，每一步说明它做什么、要装什么，跑完我能看到什么。
第二步，文字版的直接抽文字，扫描件要走识别。走识别的那部分，告诉我用的什么办法、大概要多久、要不要联网、文件会不会被传到别人的服务器上。
第三步，我要查的是这些：（列出你要找的内容，比如某几个金额、某个日期、某一条约定的原文）
每条答案按下面的格式给我，缺哪一项就写缺：
- 结论。一句话。
- 出处。文件名加页码，页码必须有。
- 原文。把那一页里相关的原句抄出来，就算你判断它有错也原样抄。
- 把握。这条是直接读到的，还是靠上下文推出来的。不确定的标不确定。
第四步，凡是数字、日期、人名、金额，逐条再核一遍。识别这类内容最容易错，错法集中在 1 和 7、0 和 O、小数点位置。核不动就说核不动，不要给一个看起来对的答案顶上。
查不到就写查不到。不要用文件里没有的内容补。不要只给结论，我要能自己翻回去看。它把逐条答案交回来，你抽查几条自己翻一遍。
需要你亲手做的三件事
- 定哪些文件能交出去。合同、报价、身份信息，决定留本地还是上传到别人的服务器上。这个判断的责任在你，不在工具。
- 抽查页码。挑两条答案，自己翻到那一页看原句。这一步不能省，扫描件的识别错误集中在数字上，而数字错了后面全错。
- 定核对规则。哪些数是关键数（要看原件、要第二个人核），哪些数错了也不要紧。它不知道哪个数对你重要。
附：两类文件的差别，我在本机试出来的
- 文字版，抽出来 50 个字符，检出图片 0 张。
- 同一份内容做成图片再塞进 PDF，抽出来 0 个字符，检出图片 1 张。
不判类型直接抽文字，第二种会给你一个空结果。空结果本身不危险，你知道要去查。危险的是空结果之后那句补上的话。
还有一种不空但不完整的情况。有些文件的正文是文字版，但关键那张表是贴进去的图片。整份文件抽出来读得通，只有最要紧的那一页什么都没有。所以抽完要单独看一眼，每个文件里有没有图片，有图片的那几页是什么内容。
附：这条路线的工具，数当天查的
star 数和最近更新时间都是 2026 年 10 月 6 日从 GitHub 接口查的。下面这几个我们一件都没跑过，写的是各仓库自己的定位。
pymupdf/PyMuPDF，1.08 万 star，更新在 2026 年 10 月。轻量路线，装起来几十兆，处理文字版是秒出，适合先做第一步的类型判断。它不做识别，扫描件它读不出来。许可证是 AGPL-3.0，这一行要留意，它会一路影响到你整条产品线，商用前一定看清。datalab-to/marker，4 万 star，Apache-2.0，更新在 2026 年 10 月。定位是把 PDF 转成 markdown 和结构化数据，扫描件、表格、公式都处理。代价是要装几个 G 的依赖，第一次用还会下载两三个 G 的模型文件，跑一张图要等几秒到十几秒。ocrmypdf/OCRmyPDF，3.5 万 star，MPL-2.0，更新在 2026 年 9 月。思路不一样，它不改你的原文件，而是给扫描件加一层可搜索的文字，加完这份文件就能像文字版一样被检索。适合文件要长期留着、反复查的场景。- 还有一条路是走在线接口。省掉安装，但文件要上传到别人的服务器上。涉及合同和客户信息的，这条得先想清楚。
挑的时候看三条。
- 原件会不会被动。默认只读、另存新文件的，比默认直接改的安全。
- 会不会默认上传。要不要账号、要不要联网，装之前问一句。
- 答案能不能回溯到页码。给不出来的，等于让你信它。这一条比它读得准不准更重要，因为准不准你没法一眼判断，能不能回溯你可以。
附：一句话的边界
上面这几个工具解决的是把字读出来。读出什么算对，算不算数，得你自己翻回那一页看。这一步交出去，等于把核对权一起交出去了。