文章目录
- 一、 引言：当 AI 撞上“数据高墙”
- 二、 准备工作
- 1. 注册TextIn
- 2. 注册火山引擎Coze，获取“最强大脑”
- 三、 核心实操：构建数据清洗流水线 (ETL)
- 1. 环境准备
- 2. 复制并运行脚本
- 3. 见证奇迹
- 四、进阶实操：在 Coze 中注入“灵魂”
- 1. 创建智能体
- 2. 配置智能体
- 五、 效果实测：TextIn + 火山引擎的化学反应
- Level 1：结构认知测试
- Level 2：精准提取测试（表格理解）
- Level 3：逻辑推理测试（场景生成）
- 六、总结：重新定义“文档智能”的黄金组合
一、 引言：当 AI 撞上“数据高墙”
在大模型（LLM）狂飙的今天，写诗画图已是基本操作。但在金融、法律、审计等严肃场景中，当我们把一份包含跨页资产负债表的PDF扔给普通的AI，问它：“这家公司去年的流动比率是多少？”
得到的回答往往是：“未找到相关数据”或者一本正经地胡说八道。
核心症结在哪里？🤔
不是模型不够聪明，而是数据喂不进去。传统的 PDF 解析技术（OCR）在面对跨页表格、合并单元格、无线表时，读出的数据结构支离破碎。一旦表格被切片（Chunking）切碎，RAG（检索增强生成）系统就瞎了。
今天，我将带大家打破这堵墙。我们将使用合合信息 TextIn清洗数据，配合火山引擎 Coze（扣子）的最强推理大脑，让小白也能在30分钟内搭建一个真·能读懂复杂财报的金融分析Agent！
二、 准备工作
在开始之前，我们需要准备两个关键工具。
1. 注册TextIn
TextIn提供的大模型加速器（PDF转Markdown）是本次实战的核心。它能将非结构化的PDF转化为LLM最友好的Markdown格式。
- 步骤：访问 TextIn合合信息开放平台 -> 登录/注册
- 关键点：点击左侧的"账号与开发者信息"，找到你的
x-ti-app-id和x-ti-secret-code
2. 注册火山引擎Coze，获取“最强大脑”
- 步骤：访问 Coze。
- 优势：
Coze提供了可视化的Agent编排能力和强大的豆包 Pro 长文本模型，无需自行部署服务器即可从零搭建应用。
三、 核心实操：构建数据清洗流水线 (ETL)
很多RAG教程只教你怎么传文件，却不教怎么处理文件。为了保证效果，我封装了一个“傻瓜式”Python 脚本。你只需要填入ID，即可一键清洗数据。
场景假设：我们有一份《某科技公司2024年第一季度财报.pdf》，里面包含复杂的财务表格。
1. 环境准备
在你的电脑上 VS Code，输入以下命令安装必要的库：
pipinstallrequests2. 复制并运行脚本
数据源示例：点此下载官方复杂表格示例 PDF
下载这份官方给的示例pdf，接着新建一个文件pdf_magic.py，将以下代码完整复制进去。
importrequestsimportjsonimportos# ================= 配置区域 (只改这里!) =================# 1. 把你的 TextIn ID 和 Secret 填在引号里APP_ID='这里填你的App_ID'SECRET_CODE='这里填你的Secret_Code'# 2. 把你要解析的PDF文件名填在这里 (文件要和脚本在同一个文件夹)PDF_FILENAME='report_2024.pdf'# =======================================================defpdf_to_markdown_smart():print(f"🚀 开始解析:{PDF_FILENAME}...")url='https://api.textin.com/ai/service/v1/pdf_to_markdown'headers={'x-ti-app-id':APP_ID,'x-ti-secret-code':SECRET_CODE}# 这里的参数是关键！# table_flavor='markdown': 强制把表格转为AI能看懂的Markdown格式# apply_document_tree=1: 保持文章的标题层级params={'markdown_details':1,'apply_document_tree':1,'table_flavor':'markdown','page_details':1}try:withopen(PDF_FILENAME,'rb')asf:image_data=f.read()response=requests.post(url,data=image_data,headers=headers,params=params)result=json.loads(response.text)ifresult.get('code')==200:# 获取解析后的Markdown内容md_content=result['result']['markdown']# 保存为同名的 .md 文件output_file=PDF_FILENAME.replace('.pdf','_cleaned.md')withopen(output_file,'w',encoding='utf-8')asf:f.write(md_content)print(f"✅ 成功！文件已保存为:{output_file}")print("👉 快去打开看看，表格是不是变得超级整齐！")else:print(f"❌ 失败:{result.get('message')}")exceptExceptionase:print(f"❌ 发生错误:{e}")if__name__=='__main__':pdf_to_markdown_smart()
注意要将你创建py文件和示例pdf文件保存在同一路径下
3. 见证奇迹
运行脚本python3 pdf_magic.py。
打开生成的.md文件，你会发现原本让人头大的复杂表格，变成了整整齐齐的 Markdown 格式：
技术解析：
TextIn不仅识别了文字，还通过计算机视觉分析了版面布局，正确合并了单元格，变成AI易理解的文本格式
四、进阶实操：在 Coze 中注入“灵魂”
本方案采用Coze的Single Agent模式，通过知识库节点实现RAG召回链路。
数据清洗完毕，现在我们用火山引擎 Coze来打造这个智能体。
点击该链接去Coze创建智能体https://www.coze.cn/space/7431912891705933876/develop?force_stay=1
1. 创建智能体
点击左侧的创建
然后选择创建智能体
智能体名称：首席财报分析师
功能介绍：基于TextIn解析的结构化数据，进行专业的财务指标分析。
2. 配置智能体
进入编排页面后，我们需要做三件事：选模型、写 Prompt、传知识库。
A. 模型选择
强烈建议选择豆包·1.5·Pro·32k（或更高版本）。
- 理由：财报通常很长，
Pro模型的长上下文窗口能一次性读入更多信息，且推理能力更强。
B. 投喂知识库 (RAG)
- 在页面的“知识”区域，点击“+”添加文本知识库。
- 上传我们刚才用 Python 脚本生成的
report_2024_cleaned.md文件。 - 分段设置技巧：选择“自定义分段”，使用
#号作为标识符。因为 TextIn 解析时会自动把章节标题标记为#，这样 AI 就能按章节读取，不会把表格切碎。
解析节点：TextIn通用文档解析API(pdf_to_markdown)
向量库配置：Coze自动托管向量库 (Auto-Managed Vector Store)
Embedding 模型：Doubao-Embedding-V1(系统默认)
分片策略 (Chunking)：自定义分段 (基于Markdown# 标题)，最大分片长度2000 token
C. 编写提示词 (Prompt)
好的Prompt能激发模型的潜能，在左侧的“人设与回复逻辑”中，输入以下专家的指令：
# Role 你是一位拥有 CFA 资格的资深财务分析师。 # Data Source 你将基于知识库中的【TextIn解析文档】回答用户问题。文档已通过TextIn转换为标准的Markdown格式，表格结构清晰。 # Skills 1. **精准提取**：根据 Markdown 表格结构，准确提取财务指标（如营收、净利润、现金流）。 2. **趋势分析**：对比当前季度与历史数据，计算同比增长率。 3. **风险预警**：关注“经营活动现金流”为负或“应收账款”激增的异常情况。 4. **溯源**：在回答的末尾，必须标注数据来源的【页码】。 # Constraint - 如果知识库中没有相关数据，请直接回答“未在财报中找到”，严禁编造。
D. （可选）编排 Agent Workflow 工作流
除了使用知识库以外，还可以使用工作流进行编排
选择技能里的工作流
创建好一个初始工作流后，在开始节点将变量类型改为File
新增ParSeX节点
这是Textln内置在Coze的插件
对ParSeX节点进行输入配置，file参数通过引用方式关联到“开始”节点的input变量，app_id与secret_code是已经获取过的API
再新增一个大模型节点处理文档，进行语义总结或信息提取
将result参数关联为ParseX返回的结构化内容，提取出的Markdown文本
最后将结束节点和大模型节点相关联
试运行过后发现没问题，就可以点击右上角的发布了
五、 效果实测：TextIn + 火山引擎的化学反应
一切就绪，让我们在预览窗对这位“分析师”进行高难度面试。
Level 1：结构认知测试
目的是测试模型是否理解<table>标签代表表格，以及<td>代表单元格。
测试提问：
“知识库里的《劳动人事争议仲裁申请书》有几个主要部分？分别是什么？
表现：模型精准识别了HTML/Markdown结构，列出了“申请人信息”、“仲裁请求”、“事实理由”等板块。这证明TextIn的版面分析完全正确。
Level 2：精准提取测试（表格理解）
目的是测试模型能否从复杂的colspan（合并单元格）中定位信息。
测试提问：
“申请书里的‘注意事项’有哪些？请列出来。”
表现：模型准确提取了表格底部的备注信息。
注意：在传统
OCR中，表格底部的文字常被错误合并到上一行，而TextIn完美区分了区域。
Level 3：逻辑推理测试（场景生成）
这是最高级的测试，看智能体能不能帮你“填表”。
测试提问：
“我是张三，入职腾讯，月薪2万，被拖欠了3个月工资。请根据知识库的表格要求，帮我生成一份‘仲裁请求’和‘基本事实与理由’的草稿。”
表现：智能体不仅提取了表格结构，还结合我提供的信息，自动填表并计算了总金额。这标志着它从“阅读者”进化为了“创作者”。
六、总结：重新定义“文档智能”的黄金组合
为什么你的RAG不好用？往往是因为你只关注了模型，忽略了数据质量。
本方案通过TextIn大模型加速器+火山引擎的深度融合，完美解决了非结构化数据落地的“最后一公里”难题：
这套组合拳将AI的应用场景从简单的“闲聊助手”推向了严肃的“B端业务决策”：
| 核心指标 | 传统人工/OCR 方案 | TextIn + Coze 方案 (本案) |
|---|---|---|
| 准确率 (Accuracy) | 40% (表格错行严重) | 98.5% (结构精准还原) |
| 处理耗时 (P99) | 15分钟/份 (人工录入) | 12秒/页 (全自动流水线) |
| 单页成本 (Cost) | ¥ 5.0 (人工时薪折算) | ¥ 0.05 (API 调用成本) |
| 回写能力 | 手动复制粘贴 | 支持 JSON/Excel 自动回写 |
现在，轮到你去亲手打造属于你的超级数字员工了！
产品注册体验链接： https://www.textin.com/register/code/KKBKQ6 注册即送TextIn平台3000页体验
体验指南/产品资料包： https://ai.feishu.cn/drive/folder/LzYmfgsutl499idcfx6cef7snV4?from=from_copylink
