AgentSpace处理大批量文档提取的核心是任务拆解为可调度、可验证、可容错的小单元，需设计Router、Extractor、Validator三类协同Agent，各司其职；提示词须带强约束schema、上下文锚点及fallback机制。
☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 多模态理解力帮你轻松跨越从0到1的创作门槛☜☜☜
AgentSpace 中处理大批量文档信息提取，核心不是堆砌复杂提示词，而是把任务拆解为“可调度、可验证、可容错”的小单元。提示词要服务于 Agent 的分工逻辑，而不是让单个 Agent 去“读懂所有文件”。
明确角色与分工，别让一个 Agent 干所有事
大批量文档场景下，应设计至少三个协同角色：
- Router Agent：只看文件名、页数、首尾几行或 PDF 元数据，快速分类（如“合同/发票/简历/报告”），并打上结构化标签（如type:invoice, year:2024, vendor:XX公司）
- Extractor Agent：按 Router 标签接收同类文档，用固定 schema 提取（例如发票类只提invoice_no, date, amount, tax, vendor_name），不自由发挥
- Validator Agent：对 Extractor 输出做规则校验（如金额是否含¥符号、日期是否符合 YYYY-MM-DD、发票号是否非空），标出可疑项，不直接修改
Extractor 提示词必须带强约束 schema 和容错指令
避免“请提取关键信息”这类模糊表述。正确写法示例：
你是一个发票信息提取器。仅处理被标记为 type:invoice 的文档。
严格按以下 JSON Schema 输出，字段缺失填 null，不可编造：
{
"invoice_no": "字符串，可能含字母数字和短横线，如 INV-2024-001",
"date": "字符串，格式必须为 YYYY-MM-DD，从‘开票日期’或‘Date’附近提取，无则填 null",
"amount": "数字，单位为元，提取‘金额合计’或‘Total Amount’后的纯数字（去掉¥、逗号、括号）",
"tax": "数字，同 amount 规则，对应‘税额’或‘Tax’字段",
"vendor_name": "字符串，提取‘销售方名称’或‘Seller’后第一行完整名称，去空格，无则填 null"
}
若文档明显不是发票（如含‘职位：算法工程师’或‘体检报告’字样），输出 {"error": "not_invoice"}。
不解释，不补充，不输出任何额外文本。用文件 ID + 分块标识控制批量处理节奏
AgentSpace 支持传入文档 ID 和分块索引。提示词中可嵌入上下文锚点，提升稳定性：
- 在 Router 提示词中要求：“输出时带上 input_id: abc123.pdf 和 page_range: [1-2]”
- Extractor 提示词开头加一句：“当前处理的是 input_id: abc123.pdf 的第 1–2 页，请仅基于此范围提取”
- 这样即使某页 OCR 错乱，也不会污染整份文档结果，后续可单独重跑该分块
预置 fallback 和人工介入钩子
大批量中总有 2%–5% 的异构文档（扫描模糊、表格倾斜、多语言混排）。提示词末尾统一加：
若遇到以下任一情况，立即输出 {"fallback": true, "reason": "xxx"}：
- 文字识别率明显低于 60%（大量乱码、方框、 符号）
- 表格跨页且关键字段被截断
- 含中英日韩混合且无明确字段标识
系统将自动转交人工审核队列，你无需尝试猜测。 
