从文档里抽数据：至今仍会出错的地方

干净样本上的准确率是营销数字

抽取演示用的都是扫描清晰、格式规整的文档。真实的收件箱里装的是斜着拍的照片、带咖啡渍的扫描件，以及上个月悄悄改了版式的供应商单据。

为失败而设计，不是为成功

真正重要的行为，是系统在不确定时做什么。两种设计：

• 只返回一个值，不带任何信号。下游的某个人会信任它。
• 返回值的同时附上置信度，以及它来自哪个区域的指针。人只复核低置信度的那些。

第二种建起来更费事，也是唯一能在接触真实文档后活下来的。

用你已经知道的东西做校验

大部分价值来自交叉核对，而不是来自模型。明细合计和票面总额对得上吗？税额与该国税率吻合吗？这个供应商在你的名册里吗？一个算术对不上的字段就是错的，无论抽取时置信度多高。

让原件始终可追溯

务必保存源文档，以及每个抽取值的坐标。几个月后某个数字被质疑时，能指出准确页面上的准确区域，会让争论很快结束。