WorkBuddy 怎么从 PDF 里提取内容：抽正文、抽表格、批量抽字段的指令与验收

2026-08-08

把一堆 PDF 丢给 AI 让它”提取一下内容”，结果多半不能直接用。这句话漏掉了太多前提：要全文还是某几段？表格保不保留结构？数字后面的单位算不算？更根本的一层是——你手上这份 PDF 里到底有没有文本。

这篇讲用 WorkBuddy（Tencent WorkBuddy）做 PDF 提取的三类活儿：抽正文、抽表格、批量从多份 PDF 抽同一组字段。

一、先分清这是哪一种 PDF

类型	里面装的是什么	提取方式
文字版 PDF	真实的文本对象	直接抽取文本，准确度高
扫描件、图片版 PDF	一整页的图像	只能靠视觉识别，本质是”看图认字”

判断方法很土但有效：打开文件，试着选中一段文字并复制。能复制出可读文本的是文字版；鼠标一划整页反白成一个方块的是图片版。

这个区分决定了该让哪类模型干活。WorkBuddy 内置多个模型并按场景分工，官方文档的对照表里，Kimi K2.5 的适用场景写的是”截图分析、图片转文档等视觉类任务”；同一份文档注明，实际可用模型列表可能随产品版本、账号类型和服务可用性变化。所以别把模型名当固定配置，要记住的是”扫描件得交给支持图片输入的那类模型”。

最坑的是混合情况：三十页的报告前面是文字版，中间夹了几页扫描的盖章附件。AI 把能读的读完就交付，中间的图片页悄悄跳过——验收那节会讲怎么抓。

二、它说”读不出来”时，官方给的排查顺序

这是 PDF 提取最高频的一堵墙，官方常见问题里单列了一条。官方给的口径是：无法读取图片、PDF、Excel、Word 的常见原因，是当前模型不支持对应的文件类型，或者没有安装相关的插件与 Skill。做法三条：切换到支持图片或文档输入的模型；分步骤描述需求，让它逐步完成环境安装与文件处理；在插件或技能市场安装文档处理类的插件与 Skill。

补一句：官方《技能》文档建议仅启用当前任务所需的技能，减少无关干扰、降低误调用概率——装了文档处理类技能之后，别把一堆不相干的也全开着。

三、抽正文：指令按四要素写

官方《创建任务》把任务描述该补的信息列成四项：目标 / 输入 / 输出格式（Word、Excel、PPT 或其他）/ 约束条件。《10 个上手技巧》的公式是同一件事——做什么 + 有什么 + 怎么样，别让 AI 猜你的意图；官方的反面示范是”帮我把上次的会议纪要整理一下”，正面示范写明了具体路径、要包含的三项内容和”用表格输出，不需要开场白”。抽正文套进去长这样：

请从 D:/资料/年度报告2025.pdf 中提取正文文本。

【目标】按原文章节层级整理，保留一二级标题，正文按段落分开，
去掉页眉、页脚和页码。

【输入】该文件共 46 页，文字版，只处理第 8 页到第 30 页。

【输出格式】生成 Markdown 保存到 D:/资料/提取结果，
文件名「年度报告2025_正文.md」，每节开头用注释标出原文页码。

【约束】只做提取和排版，不要改写、概括或补充原文没有的内容。
无法识别的内容原地标注「[未识别，原文第 X 页]」，不要跳过、不要补全。

三处是特意加的：标出原文页码是验收的抓手；不要改写、不要概括——提取和总结是两件事，模型很容易顺手”优化”，一旦改写拿去引用就全废；无法识别的原地标注是对抗”静默漏内容”的关键，它默认更倾向交出一份看起来完整的结果，窟窿得你主动要。

四、抽表格：最容易错位的一步

表格出错率最高，原因不在模型，在格式本身：PDF 里没有”表格”这个对象，只有一堆按坐标摆放的线条和文字，抽表格靠反推行列，反推就有猜错空间。三种最常翻车的结构：

合并单元格：跨三行的单元格可能只落到第一行另两行留空，也可能被复制三份让你误以为有三条记录。
跨页表：一张表切在两页之间，第二页往往不重复表头，容易被当成新表或表头错配到别的列。
无框线表格：列边界全靠猜，最容易整列串位。

这三点必须直接写死进约束：

请提取 D:/资料/季度数据.pdf 第 12 到 18 页的全部表格。

【目标】把每张表还原为结构化表格，保持原有行列关系。

【输入】其中第 14-15 页是跨页大表，第 16 页含合并单元格。

【输出格式】生成 Excel 到 D:/资料/提取结果，每张表单独一个工作表，
表名用「P12_表1」标明来源页码。

【约束】
1. 跨页表合并为一张，不重复表头，不拆成两张；
2. 合并单元格保留合并关系，不要把内容复制到每一行；
3. 数字保持原文写法，不改小数位、不做单位换算，
   带单位的（万元、%、㎡）连单位一起保留；
4. 无法确定归属的单元格留空并加批注，不要猜。

先只处理第 12-13 页，我确认结构后再继续。

最后一句对应官方技巧里的小步快跑——把大任务拆成独立小目标，一次推进一步。表格尤其适合：列结构对了后面几十页大概率同一套逻辑，错了早两页发现比整份返工划算。第 3 条的单位约束也别省，“3.5” 是万元还是亿元，表头写着、单元格没写，还原成 Excel 表头一丢这数字就废了。

五、批量抽字段：多份 PDF 抽同一组信息

量最大的一类：一百份合同抽甲乙方和金额，几十份发票抽日期和税号。官方《创建任务》的示例里就有”分析这份简历，提取关键信息生成表格”；《实践案例》讲批量重命名时的示例指令末尾还特意加了”并先展示重命名预览结果”——先预览在批量场景里是必须的。

请批量处理 D:/合同/2025 目录下的全部 PDF（部分是扫描件）。

【目标】从每份文件提取同一组字段汇总成总表：文件名、合同编号、
甲方、乙方、合同金额（含币种）、签订日期、合同期限。

【输出格式】生成 Excel 到 D:/合同/汇总，一份文件一行，
最后一列备注该文件是文字版还是扫描件。

【约束】
1. 原文找不到的字段填「未找到」，不要根据上下文推断；
2. 金额保留原文写法含币种，不换算、不四舍五入；
3. 日期统一 YYYY-MM-DD，原文只有年月就写到月，不要补日；
4. 处理失败的文件单独列在第二个工作表，注明失败原因。

先处理前 5 个文件，我看一遍再继续。

“找不到就填未找到”和”失败单独列表”是同一个用意：把”没抽到”和”抽错了”分开——前者一眼能看见，后者混在正常数据里，不逐条核根本发现不了。

另外，官方技巧第 8 条写得很直接——它可能”改过头”，删掉你想保留的内容、打乱原有格式，成熟用法是动手前先复制一份备份。官方常见问题里也记着一个真实风险：有用户下发整理桌面的指令后，执行完部分文件疑似丢失。

六、交付物：格式必须在指令里说死

抽正文出 Markdown 或 Word，抽表格和批量抽字段都出 Excel，全部落在与原文件分开的结果目录里——官方《工作目录》就建议按任务类型分别建目录以降低误操作风险，万一出岔子原始 PDF 还在。

格式必须写进指令。官方常见问题里有一条正好对上：“生成的文件打不开”，常见原因是没有在需求中明确指定输出文件类型，做法就是下达任务时说明要生成 Word、Excel、PDF 还是 Markdown。

七、验收：四处必须人工过

提取类的错误特别”像对的”：格式整齐、结构完整、读着很顺，就是数字不对。

随机抽页对照原文。 别从头看，随机挑三到五处对着标注页码翻原文逐字比，优先挑扫描页、表格页和有脚注的页。
重点核数字与单位。 小数点位置、千分位、百分号、单位（万元 / 亿元 / %）。表头写了单位而单元格没写的那种表几乎必错。
检查有没有漏页。 拿原文总页数和结果里的页码标注对一遍看有没有断号。混合 PDF 漏的就是中间那几页扫描件——正文读着通顺，少三页你感觉不出来。批量任务同理：目录里 100 个文件，结果就该有 100 行。
检查表格列有没有错位。 挑一行把每个值和原表逐列对。典型征兆是”数据看着都在，就是对不上号”——金额那列出现日期，或最后一列整列空着。跨页表接缝处和合并单元格附近是重灾区。

第 4 条可顺手加道自检：官方讲 AI 自驱动时给过一句可复用的收尾要求——“输出前请自检一遍，确认结构完整、信息无重复、结论简洁明确。” 表格场景里可改成让它先自报行列数和每列取值类型，拿这个跟原表比比逐格看快得多。

八、这几种情况别交给它

一、有法律效力、需要逐字准确的文书。 合同条款、判决书、招投标文件的原文，错一个字性质就变。可以让它做初步定位（“找出所有提到违约金的条款并给出页码”），但最终引用的文字必须人工从原文核对。

二、排版复杂的版式文件。 多栏排版、图文混排、带侧边栏和批注框的杂志宣传册，阅读顺序靠人的视觉习惯判断，还原成线性文本极易把两栏交叉串起来——每句都通，连起来是两段话拧在一起，比乱码更难发现。

三、加密或有复制限制的 PDF。 需要密码打开的、或设置了禁止复制与提取权限的文件本身就不该绕过，正确做法是找来源方要一份可用版本。

四、一次性的小活儿。 三页纸抽五个数字，自己复制粘贴两分钟搞定，写指令加验收一圈下来比手抽还慢。

小结

这件事的成败八成在动手之前：分清文字版还是扫描件，把输出格式和”不许改写、不许跳过”写进约束，表格先抽两页确认结构再放量。至于需要逐字准确的法律文书，它能帮你定位，但不能替你负责。