用 AI 解析采购订单，从上传到自动生成 Draft 订单全流程实战

网罗开发 （小红书、快手、视频号同名）

大家好，我是展菲，目前在上市企业从事人工智能项目研发管理工作，平时热衷于分享各种编程领域的软硬技能知识以及前沿技术，包括iOS、前端、Harmony OS、Java、Python等方向。在移动端开发、鸿蒙开发、物联网、嵌入式、云原生、开源等领域有深厚造诣。

图书作者：《ESP32-C3 物联网工程开发实战》
图书作者：《SwiftUI 入门，进阶与实战》
超级个体：COC上海社区主理人
特约讲师：大学讲师，谷歌亚马逊分享嘉宾
科技博主：华为HDE/HDG

我的博客内容涵盖广泛，主要分享技术教程、Bug解决方案、开发工具使用、前沿科技资讯、产品评测与使用体验 。我特别关注云服务产品评测、AI 产品对比、开发板性能测试以及技术报告，同时也会提供产品优缺点分析、横向对比，并分享技术沙龙与行业大会的参会体验。我的目标是为读者提供有深度、有实用价值的技术洞察与分析。

展菲：您的前沿技术领航员

👋 大家好，我是展菲！

📱 全网搜索"展菲"，即可纵览我在各大平台的知识足迹。

📣 公众号"Swift社区"，每周定时推送干货满满的技术长文，从新兴框架的剖析到运维实战的复盘，助您技术进阶之路畅通无阻。

💬 微信端添加好友"fzhanfei"，与我直接交流，不管是项目瓶颈的求助，还是行业趋势的探讨，随时畅所欲言。

📅 最新动态：2025 年 3 月 17 日

快来加入技术社区，一起挖掘技术的无限潜能，携手迈向数字化新征程！

文章目录

- 摘要
- 引言
- 功能实现总览
- 后端接口设计与代码实现
- - [文件上传接口（Node.js 示例）](#文件上传接口（Node.js 示例）)
  - [AI 解析任务模拟（Python 脚本）](#AI 解析任务模拟（Python 脚本）)
- [前端页面逻辑（Vue 示例）](#前端页面逻辑（Vue 示例）)
- 应用场景举例
- - [场景 1：客户上传多个订单 PDF](#场景 1：客户上传多个订单 PDF)
  - [场景 2：图片订单识别失败](#场景 2：图片订单识别失败)
  - [场景 3：系统长时间未提交草稿订单](#场景 3：系统长时间未提交草稿订单)
- [QA 常见问题答疑](#QA 常见问题答疑)
- 总结

摘要

很多企业都面临一个老问题：客户发来的采购订单格式千奇百怪，有的是 PDF，有的是 Excel，甚至有拍照的图片。人工录入这些订单，不仅耗时费力，还容易出错。那有没有一种方法能自动读取这些订单内容，然后直接在系统中生成一份草稿订单供业务员补充？

当然有。本文就带你一步步搭建一个完整的 AI 驱动订单解析流程，从文件上传、AI 解析、自动建单，到草稿状态的后续处理。用简单的 Python 脚本、Node 服务和一点前端页面，就能实现一个企业内部非常实用的自动化能力。

引言

我们以前在做客户订单录入时，经常会遇到这样的问题：

一堆 PDF 或图片文件，内容布局五花八门
业务员需要逐行复制粘贴，一不小心就抄错
有时候订单多，一等就是一两个小时才能录完

为了解决这些问题，我们设计了一个新的流程：

客户下单 → 上传原始订单（PDF、Excel、图片）
系统调用 AI 模型自动识别其中的信息
自动生成草稿订单，业务员只需稍加确认和补充
确认无误后提交进入正式审批流程

整套流程下来，既保留了人工可控性，也大大减少了重复性劳动。

功能实现总览

这个功能的核心步骤如下：

用户选择客户公司后，系统显示"Upload PO"按钮
上传支持多个文件格式（PDF/Excel/Image）
上传后系统将文件送入 AI 解析任务
解析完成后，自动将结构化数据写入订单草稿表
草稿订单显示在前端 Draft Tab，供用户继续补充并提交

我们会通过一个简单的前端+Node.js 后端+Python 解析脚本来实现这个功能，方便大家快速上手。

后端接口设计与代码实现

文件上传接口（Node.js 示例）

js 复制代码

// routes/upload.js
const express = require('express')
const multer = require('multer')
const path = require('path')
const { v4: uuidv4 } = require('uuid')
const { parsePO } = require('../services/aiParser')

const router = express.Router()
const upload = multer({ dest: 'uploads/' })

router.post('/upload-po', upload.array('files'), async (req, res) => {
  const customerId = req.headers['customer-id']
  if (!customerId) return res.status(400).json({ message: 'Missing customer-id' })

  const taskId = uuidv4()
  const files = req.files

  // 模拟异步解析任务
  files.forEach((file) => {
    parsePO(file.path, taskId, customerId)
  })

  res.json({ taskId, fileCount: files.length })
})

module.exports = router

AI 解析任务模拟（Python 脚本）

python 复制代码

# ai_parser.py
import json
import random
from pathlib import Path

def parse_order(file_path):
    # 模拟 AI 解析逻辑
    return {
        "orderId": str(random.randint(10000, 99999)),
        "status": "DRAFT",
        "type": "AI",
        "sourceFile": file_path,
        "confidenceScore": round(random.uniform(0.7, 0.99), 2),
        "fields": {
            "productName": "Example Widget",
            "quantity": 100,
            "unitPrice": 19.99,
            "currency": "USD"
        }
    }

def save_result(result, task_id):
    Path(f'tasks/{task_id}').mkdir(parents=True, exist_ok=True)
    with open(f'tasks/{task_id}/result.json', 'w') as f:
        json.dump(result, f, indent=2)

# 测试运行
if __name__ == "__main__":
    file_path = 'uploads/sample_order.pdf'
    task_id = 'abc123'
    result = parse_order(file_path)
    save_result(result, task_id)

实际项目中可以替换成 Azure OCR + OpenAI function calling 的组合，或调用成熟的文档解析 API（如 Mindee、Veryfi）

前端页面逻辑（Vue 示例）

html 复制代码

<!-- UploadPo.vue -->
<template>
  <div>
    <button v-if="selectedCustomerId" @click="openUpload">Upload PO</button>
    <input type="file" ref="fileInput" multiple @change="handleUpload" hidden />
  </div>
</template>

<script setup>
import axios from 'axios'
import { ref } from 'vue'

const selectedCustomerId = 'customer-001'
const fileInput = ref(null)

const openUpload = () => {
  fileInput.value.click()
}

const handleUpload = async (e) => {
  const files = e.target.files
  const formData = new FormData()
  Array.from(files).forEach((file) => {
    formData.append('files', file)
  })

  const res = await axios.post('/api/upload-po', formData, {
    headers: { 'customer-id': selectedCustomerId }
  })

  console.log('Upload success, taskId:', res.data.taskId)
}
</script>

应用场景举例

场景 1：客户上传多个订单 PDF

客户上传 3 份订单，系统后台异步解析，大约 15 秒后草稿订单出现在 Draft 页面，业务员查看后补充了"交货日期"和"联系人"，点击提交后进入正常流程。

场景 2：图片订单识别失败

客户拍照上传手写订单，AI 模型置信度仅有 0.6，系统提示"请确认识别字段是否正确"，业务员发现产品数量识别错误，手动修改后继续提交。

场景 3：系统长时间未提交草稿订单

解析生成的草稿订单，7 天内未提交，系统后台任务将其状态改为"Archived"，并在用户首页发送提醒通知，提示重新上传或处理。

QA 常见问题答疑

Q: 上传大文件是否有限制？

A: 是的，建议后端设置最大上传大小，比如 10MB，防止系统负载过高。

Q: 多文件是否顺序处理？

A: 不一定。解析是异步的，每个文件任务独立进行，可以并发处理加快整体速度。

Q: 如何判断解析失败？

A: 后端会记录任务状态，如解析失败会返回 failed 状态，并保留失败原因，前端可以通过 /api/po-parse-result?taskId=xxx 获取状态。

Q: 能支持多种语言订单吗？

A: 如果用的是 Azure OCR 或支持多语言的模型，是没问题的。但建议明确业务语言范围，避免误判。

总结

整个流程打通后，我们成功地把"AI 文档解析"和"订单业务系统"结合在了一起。用户不再需要逐条录入数据，而是通过上传+确认的方式，高效完成整个下单流程。

这种方式特别适合电商、零售、B2B 交易等企业后台系统，节省了大量人工成本，也减少了人为录入的错误。

后续可以拓展的方向包括：

接入 ChatGPT 或 Function Calling，增强自然语言理解能力
引入 RAG 模型，对订单内容做更深入的上下文理解
支持更多格式的文档如扫描件、复杂表格

如果你也在做类似的流程优化，不妨尝试引入这个轻量级的 AI 能力。