在扣子平台中调用图像理解模型，实现智能识别发票关键字段
先说几个核心判断。从手机拍摄的模糊发票照片、扫描件或PDF截图里，快速提取发票代码、金额、开票日期这类结构化信息，这件事本身并不复杂，但手动录入的出错率和重复劳动，确实让人头疼。而扣子（Coze）平台里的图像理解模型，正好可以解决这个痛点，利用AI视觉能力自动完成OCR识别与数据提取。
操作路径很直接：打开扣子平台，进入你已创建的 Bot 编辑界面，点击左侧的【工作流】，新建一个工作流节点，选择【大模型】类型。在模型下拉菜单中，选中 Qwen-VL-Plus 或 Qwen2-VL。这两个模型对中英文混合的图文理解能力都不错，而且对税务单据类图像做了专门优化，能够精准识别发票字段。如果列表里没有看到，记得先去【Bot 设置→插件与模型】里把对应视觉模型的权限打开，确保模型可用。
接下来是关键——节点的提示词框里，需要输入一段清晰的指令：
「请严格按以下JSON格式输出：{"invoice_code":"", "invoice_number":"", "date":"", "amount":"", "seller_name":"", "buyer_name":""}。仅输出JSON，不加任何说明、前缀或后缀。若某字段不可见则留空字符串。」
然后把上一步的图像输入连接到该节点的【image】参数槽位。这里有个容易踩的坑：输入必须是 Base64 编码后的图片数据，或者能公开访问的 HTTPS 图片 URL。本地路径（比如 C:xxx.jpg）或者相对路径，系统会直接报错，千万别这么干，务必使用网络可访问的资源。
处理含多张发票的PDF或长图
拆分PDF是大多数人遇到的第一道坎——扣子原生不支持直接解析PDF，得先做前置转换。你可以用Python脚本，或者在线工具（比如ilovepdf.com）把PDF拆成单页JPG或PNG，每页一张发票。如果批量操作比较多，推荐用 ImageMagick 加 Ghostscript 命令行，Windows环境下示例如下：
magick -density 300 invoice.pdf -quality 95 page_%03d.jpg
拆完之后有两种处理思路：
方法一：逐页调用图像理解节点。在工作流里插入一个【循环】节点，遍历图片列表，每次迭代触发一次 Qwen-VL 调用，结果收集进数组，最后用【合并 JSON 数组】节点统一输出。这种方式比较稳妥，适合发票样式不统一的情况，能保证每张独立识别。
方法二：拼接成一张长图后单次识别。这个做法更适合排版规整的扫描件。用PIL将多张发票图垂直拼接，宽度保持一致（建议1200px），高度自适应。但有一个硬性限制——拼接后的图像总大小不能超过8MB，否则扣子会拒绝上传。另外，每张图之间加40px的白色间隔，这样模型不容易把跨页的字段混在一起，提升识别准确率。
从图表中提取趋势与数值（非发票类图像）
拿到一张销售折线图、库存柱状图或者财务饼图，光看线条走向就下结论？别急，想让模型读出具体数值和趋势，有三个前置步骤：
第一步：把图表图像上传到扣子知识库，作为「文件」类型素材，支持PNG和JPG格式。打上标签，比如 #sales_chart、#q2_revenue，方便后续检索调用。
第二步：在Bot的回复逻辑中添加【检索】节点，设置关键词匹配刚才打的标签，精准定位所需图表。
第三步：把检索出的图表文件ID传入图像理解节点，提示词改写成：「描述这张图表的类型、横纵轴含义、最高/最低值对应的数据点、以及近三个月销售额变化趋势（上升/下降/平稳）。用中文分点回答，不要JSON。」这样模型就能输出可读性强的趋势分析。
值得留意的是：别指望模型能自动识别图例位置。如果图表里图例挡住了数据点，或者颜色对比度太低（比如灰底配浅蓝柱），识别率会明显下降。上传前最好用画图工具手动增强对比度，或者加箭头标注关键区域。这一步虽然麻烦，但能避免很多后期纠错的时间，确保数据提取的可靠性。
将识别结果写入 Excel 并触发下载
数据提取完了，接下来就是导出。图像理解节点输出JSON后，立刻接入【数据处理】节点，选择「JSON转表格」功能，字段名会自动映射为表头，无需手动设置。
然后连接【Excel操作】节点，选择【创建新文件】，文件名命名为「invoice_extract_{{now|date:"Ymd_His"}}.xlsx」，这样每次生成的文件不会重名，避免覆盖历史数据。
勾选【自动填充数据】，源数据选上一步的表格。最后添加【文件下载】节点，把Excel文件作为Bot回复内容推送给用户，方便直接下载使用。
这里有一个容易忽略的细节：Excel节点默认只写入第一个Sheet。如果你需要多个工作表（比如“发票明细”和“统计汇总”），必须拆成两个独立的【Excel操作】节点，分别指定不同的 sheet_name 参数。不然第二个写入会把第一个覆盖掉，数据就丢了，这个逻辑需要特别注意。
