Case Study 06 — AI Workflow Automation（AI 工作流自动化 / 发票处理）

知识库位置：FDE Knowledge Base/06 Case Studies/06-AI-Workflow-Automation.md

Case Metadata（案例元数据）

Case ID: CS-006

Industry（行业）:
Cross-industry（跨行业，后台流程密集型）

Primary Domain（主要领域）:
Workflow Automation / Document AI（工作流自动化 / 文档 AI）

Case Type（案例类型）:
Reference Scenario（参考情景）

Complexity（复杂度）:
Medium（中）

Primary Technologies（主要技术）:
Document Parsing（文档解析）
LLM Extraction（大语言模型信息抽取）
Structured Output（结构化输出）
Deterministic Workflow（确定性工作流）

Business Function（业务职能）:
Finance / Back Office（财务 / 后台办公）

Delivery Stage（交付阶段）:
End-to-End（端到端）

Status: Core
Version: v0.1

本案例为 Reference Scenario（参考情景）：用于教学和方法论说明的综合案例，并非某个真实客户项目。参见 Case Studies README（案例域使用说明）。

---

1. Customer Background（客户背景）

客户拥有大量人工后台流程。

例如：

• 文档接收
• 信息提取
• 系统录入
• 条件判断
• 人工审批
• 邮件通知

其中一个典型流程是供应商 Invoice（发票）处理。

---

2. Business Problem（业务问题）

当前流程：

Invoice Email（发票邮件）
↓
Employee Opens PDF（员工打开 PDF）
↓
Reads Invoice（阅读发票）
↓
Enters ERP（录入 ERP，企业资源计划系统）
↓
Checks Purchase Order（核对采购订单）
↓
Checks Amount（核对金额）
↓
Approves / Escalates（审批 / 上报）
↓
Sends Notification（发送通知）

问题：

• 大量人工录入
• Processing Time（处理时长）长
• 数据输入错误
• 高峰期积压严重

客户最初提出：

做一个 AI Agent（智能体）自动处理所有发票。

---

3. Discovery（客户调研）

FDE 分析后发现：

大部分流程其实高度确定。

只有：

Document Understanding（文档理解）
+
Exception Handling（异常处理）

需要 AI。

因此不需要 Fully Agentic Architecture（全自主智能体架构）。

---

4. Scoping（范围界定）

第一阶段只处理：

• 标准 PDF Invoice（PDF 格式发票）
• 已存在 Purchase Order（PO，采购订单）
• 单币种
• 低风险供应商（Vendor，供应商）

Out of Scope（范围外）：

• Handwritten Invoice（手写发票）
• Unknown Vendor（未知供应商）
• Contract Dispute（合同争议）
• High-value Exception（高额异常）
• Missing Purchase Order（缺少采购订单）

---

5. Architecture Design（架构设计）

采用：

Invoice Received（收到发票）
↓
Document Parser / AI Extraction（文档解析 / AI 抽取）
↓
Schema Validation（结构校验）
↓
Vendor Lookup（供应商查询）
↓
PO Lookup（采购订单查询）
↓
Business Rules（业务规则）
↓
Match?（是否匹配？）
├─ Yes → ERP Entry（录入 ERP）
└─ No → Human Review（人工复核）
↓
Audit（审计）

这是：

Deterministic Workflow（确定性工作流）
+
AI Components（AI 组件）

而不是：

Open-ended Agent（开放式智能体）

Key Decision（关键决策）：Workflow vs Agent（工作流 vs 智能体）

关联：Decision Guide：Workflow vs Agent（工作流 vs 智能体）

结论：

Deterministic where possible, AI where useful.

（能用确定性流程就用确定性流程，AI 用在真正有价值的地方。）

---

6. Engineering Implementation（工程实现）

Extraction Output（抽取输出）

要求 Structured Output（结构化输出）：

invoice_number（发票号）
vendor（供应商）
invoice_date（发票日期）
currency（币种）
amount（金额）
purchase_order（采购订单号）
line_items（行项目明细）

之后执行：

Schema Validation（结构校验）
↓
Business Validation（业务校验）

Business Rules（业务规则）

例如：

Invoice Amount == PO Amount（发票金额 == 采购订单金额）
Vendor Active == True（供应商状态为有效）
PO Status == Open（采购订单状态为开放）

不把这些规则交给 LLM（Large Language Model，大语言模型）自由判断。

---

7. Prototype（原型）

Prototype（原型）最初 Extraction（抽取）看起来不错。

但发现：

表格型 Invoice（发票）容易漏掉：

Tax（税费）
Discount（折扣）
Shipping（运费）

于是增加：

• Table-aware Parsing（表格感知解析）
• Arithmetic Validation（算术校验）
• Total Reconciliation（总额核对）

---

8. Pilot（试点）

Pilot（试点）使用：

AI Suggestion（AI 建议）
+
Human Approval（人工审批）

记录：

• Extraction Accuracy（抽取准确率）
• Straight-through Processing Rate（直通式处理率，STP，Straight-through Processing）
• Human Correction Rate（人工修正率）
• Processing Time（处理时长）

---

9. Production（生产）

低风险场景逐渐允许：

Straight-through Processing（STP，直通式处理）

高风险场景仍进入人工审批。

形成：

Low Risk（低风险）
→ Automatic（自动处理）

Medium Risk（中风险）
→ Human Review（人工复核）

High Risk（高风险）
→ Specialist（专家处理）

---

10. Business Outcome（业务结果）

指标：

• Invoice Processing Time（发票处理时长）
• Manual Touch Rate（人工触达率）
• Error Rate（错误率）
• Processing Cost（处理成本）
• Exception Rate（异常率）

最核心的业务指标：

Straight-through Processing Rate（直通式处理率）

即：

有多少业务可以无需人工干预完成？

---

11. Challenges（挑战）

Inconsistent Output（输出不稳定）

关联：LLM Output Is Inconsistent（LLM 输出不稳定）

API Failure（API 故障）

关联：API Integration Is Unstable（API 集成不稳定）

Production Latency（生产延迟过高）

关联：Production Latency Is Too High（生产延迟过高）

---

12. Key Decisions（关键决策）

Decision（决策）	Options（选项）	Choice（选择）	Why（原因）
总体架构	Open-ended Agent vs 确定性工作流	Deterministic Workflow + AI Components	流程高度确定，只有理解与异常需要 AI
业务规则执行	交给 LLM 判断 vs 显式规则引擎	显式 Business Rules	规则必须可审计、可确定执行
抽取输出	自由文本 vs 结构化输出	Structured Output + 校验	下游系统需要可靠结构
自动化策略	Full Automation vs 风险分级	Low/Medium/High Risk 分级处理	自动化错误成本高，需按风险分级

---

13. Reusable Lessons（可复用经验）

1. 自动化项目不要默认采用 Agent（智能体）。
2. 明确流程优先使用 Workflow（工作流）。
3. LLM（大语言模型）负责理解，不负责所有业务规则。
4. Structured Output（结构化输出）+ Validation（校验）非常关键。
5. Risk-based Automation（基于风险的自动化）比 Full Automation（完全自动化）更现实。
6. 自动化价值应该用减少人工处理来衡量。

---

Related Topics（关联知识）

• Case Studies Knowledge Map（案例研究知识地图）
• Decision Guide：Workflow vs Agent（工作流 vs 智能体）
• Structured Output（结构化输出）
• Legacy System Integration（遗留系统集成）
• Glossary（中英文术语表）