---
title: "Claude Code 文档内容提取：自动整理关键信息"
description: "把「帮我看看」换成字段表、原文摘录和位置坐标：从合同、简历、会议记录里取出可核对的信息，而不是一段读完就忘的摘要。"
updated: 2026-11-13
canonical: https://docai.cc/learn/document-content-extraction/
markdown_mirror: https://docai.cc/learn/document-content-extraction.md
---
## 提取之前，先定三件事

文档是什么、你要哪些字段、结果给谁用。三件事没定，模型只能给你一段摘要。

摘要和提取不是一回事。摘要追求读起来顺，提取追求每个值都能回到原文。前者看过就忘，后者能填表、能比对、能被追问。所以别只说「帮我看看这份合同」，要把要的东西点名。

字段也不用多。先写出真正会用于决策的那几项，剩下的留在原文里。字段越多，出错的地方越多，核对成本也越高。

## 把字段写成一张表

以服务合同为例，把结构直接写进提示词：

```text
读这份服务合同，按下表逐项填写：
字段 | 内容 | 原文摘录 | 位置
合同金额（注明含税与否） | | |
付款节点 | | |
服务期限 | | |
违约金计算方式 | | |
保密期限 | | |
不利于我方的条款 | | |
规则：找不到就写「未见」，不要用常识补全；每行附一句原文摘录，位置写到条款号或页码。
```

这张表有三个好处。字段固定，多份合同能并排比较；摘录固定，你复制几个字回原文搜索就能验；位置固定，回头找原文不用重读全文。

「未见」这条规则同样重要。合同里没写违约金，它不该按行业惯例替你补一个。空着是信息，编一个就是风险。

## 长文档：先要目录，再分段

几十页的报告或合同，整篇塞进去容易在中段丢细节。更稳的做法分两步：

1. 先让它只输出章节清单，你确认结构完整；
2. 再按章节逐段提取，每段结果都带上文件名和页码范围。

最后合并时，先核对条目数：清单里有几章，结果里就该有几段。少一段说明有内容没读到，别急着用。

扫描版 PDF 是另一回事。图片里的字先要经过 OCR 才能被读取，直接丢给模型只会得到猜测。遇到扫描件，先确认有没有文字层，或者用带 OCR 的工具转一遍。原文太长时，也可以参考[上下文窗口](/concepts/context-window/)的估算方法先切分。

## 输出格式跟用途走

| 用途 | 建议格式 | 原因 |
|---|---|---|
| 给领导看 | 表格加三条结论 | 一眼看到重点 |
| 自己查阅 | 一字段一行的清单 | 好定位、好搜索 |
| 还要再加工 | CSV 或 JSON | 能直接导入表格软件 |
| 转发同事 | 短段落 | 保留上下文，不用猜 |

要 JSON 时把字段名、类型和空值写法都写清楚，并要求只输出 JSON、不要解释文字。这类约束的细节见[结构化输出](/concepts/structured-output/)。格式定得越死，后面清洗越省事。

## 三个高频场景

**简历筛选。** 字段换成：最高学历（学校与专业）、相关工作年限、当前公司与职位、核心技能、团队管理规模、期望薪资。缺失项写「未提及」。不要让它直接给「优秀」这种结论，除非你先给出岗位标准，并要求每条判断附一句依据。

**会议记录。** 只要三类：已达成的决定、待办事项、悬而未决的问题。待办必须带负责人和截止时间，原文没写就标「待确认」。不要让它替缺席的人认领任务。

**行业报告。** 先要五条结论，再要支撑每条结论的数据和页码。没有数据支撑的结论单独列出来，那通常是你需要自己判断的部分。

## 批量材料：一张表看到差异

单份提取是练手，真正省时间的是把一批材料放进同一张表。关键是先固定比较列，再让每份材料按列填，否则十份简历会得到十种结构。

```text
我上传了 5 份简历，岗位是市场经理，要求五年以上经验、有 B2C 背景。
请输出一张对比表，每行一位候选人，列固定为：
姓名 | 相关工作年限 | 最高学历 | 行业经验 | 期望薪资 | 一条亮点
规则：
1. 简历没写的填「未提及」，不要从其他信息推测；
2. 每人再给一句匹配判断（高/中/低），并注明依据是简历里的哪一句；
3. 判断只针对岗位要求，不评价性格和潜力。
```

第二条规定比第一条更难执行。模型看到「期望薪资面议」，容易顺手写一个行业区间；看到职业空档，容易替人编一个理由。把「未提及」和「不要推测」同时写进去，再逐列扫一遍结果，才能把这类补全压下去。比较列也不要贪多，超过八列，表就读不动了。

## 常见故障：现象、原因、处理

| 现象 | 原因 | 处理 |
|---|---|---|
| 字段填得很顺，回原文却找不到 | 没要求摘录，模型按常识补齐 | 每行加「原文摘录」，填不出就写「未见」 |
| 五十页的合同只提取出前几页 | 整篇一次处理，中段信息被稀释 | 先列章节，再按章节提取，最后核对条目数 |
| 扫描件提取出乱码 | 图片没有文字层 | 先做文字识别，或换一份带文字层的文件 |
| 同一批材料字段名不一致 | 每份单独提问，没有固定表头 | 一次给全表头，要求所有文件按同一顺序输出 |

补全的成因和识别方法，见[幻觉](/concepts/hallucination/)。提取结果适合做初筛和整理，不适合直接当成法律或财务结论：责任条款、金额和日期，签字前要回到原件逐条核对。

## 核对与隐私

提取不是百分百准确，重要文件一定要抽查。优先看四类：数字、日期、金额、带否定的句子。前三个错一位就是事故，最后一个改一个词意思就反了。

合同、简历、客户名单都含个人信息。能脱敏就先脱敏，姓名换成代号，电话去掉中间几位。拿不准能不能外发的材料，不要为了省几分钟就整份贴进去。模型给出的是线索，签字盖章前的那一遍，仍然得由人来做。

提取做顺了，下一步是把格式各异的材料整理成统一的样子：[文档格式处理](/learn/document-format-conversion/)。