Contract-to-Database AI Agent

1. 情境与任务 业务现状：团队需高频处理纸质/扫描版商业合同，核对散落在十几页长文档中的折扣表与白名单，并手动录入台账。 核心痛点： A. 纯手工录入耗时且易出错，业务人员被繁琐的搬砖工作淹没。 B. 传统 OCR 技术无法理解复杂的合并单元格、跨页信息以及扫描件的排版噪音。 C. 缺乏自动化的处理机制：同一份合同存在多种产品的不同折扣，极难快速计算出该客户的综合业务等级。 2. 行动与架构 采用 Vibe Coding（自然语言编程）理念，直接使用 Coze 平台搭建低代码智能体。 输入层：顺应用户自然习惯，支持完整扫描版 PDF 直传。不强制要求用户手动拆页，降低使用门槛。 处理层： 视觉解析：挂载旗舰级多模态大模型，在十几页充满法律冗余条款的长文档中，精准定位并「看懂」包含核心折扣和白名单的复杂表格。 规则引擎：将模糊的业务评级标准转化为严密的数学逻辑，植入 Prompt 中。 校验层：拒绝高风险的盲目全自动。设计 Markdown 结构化表格作为中间态交互，用户只需敲击「写入」指令即可放行数据。 输出层：结构化数据通过 API 插件精准映射，自动追加至飞书多维表格。 3. 结果与迭代历程 V1.0 MVP（跑通闭环，重塑数据结构）： 目标：验证 Vision LLM 读取复杂表格并在长文档中抗干扰的可行性。 关键产品决策：放弃「合并单元格」的视觉排版执念，确立「关系型数据库」的底层数据架构（一行即一份合同），确保了未来数据的可检索性与范式纯洁性。 V2.0 进阶（引入业务规则，走向智能辅助）： 目标：从「数据提取搬运工」升级为「业务决策大脑」。 关键逻辑攻坚：面对一份合同中存在多种折扣的业务冲突，设计并实现了「产品A > 产品B > 产品C」的瀑布流条件分支，并制定了严格互斥的 A/B/C 级数学区间界限（如：< 4折 赋 A 级），消除了大模型计算时的逻辑幻觉。 4. 踩坑与产品复盘 用户体验 vs 技术边界的权衡：早期曾试图引入「物理截断 PDF」的标准操作规范（SOP）来降低 AI 幻觉率，但意识到这增加了用户的交互摩擦。最终选择优化系统底层 Prompt，让 AI 学会在长文档的噪音中主动过滤废话、精准寻表，将复杂性留在系统内部，把简单留给用户。 Vibe Coding 的本质洞察：自然语言虽然取代了代码，但产品经理对「业务规则」的定义必须达到甚至超越代码级的严谨程度，否则大模型一定会将人类的模糊性放大为系统 Bug。