Dify智能体增值税发票智能提取工具

🧾 增值税发票智能提取工具

该工作流是一个基于多模态大语言模型构建的专用光学字符识别（OCR）工具。其核心功能是，用户只需上传一张增值税发票的图片，它就能自动分析图像内容，并精准地提取出票面上的关键信息，最后以结构化的 JSON 格式返回结果，极大地简化了发票信息的数字化流程。

上传发票图片

工作流的起点非常简单，用户只需通过“开始”节点上传一张发票的图片文件。

• 文件（file）: 支持多种常见图片格式（如 JPG, PNG 等），这是驱动整个工作流的唯一输入。

多模态大模型 OCR 识别

工作流的核心是一个集成了视觉能力的大语言模型（LLM），例如 Qwen2-VL-72B-Instruct。

• 图像理解: 与传统 OCR 不同，这个多模态模型不仅能“读取”图片上的文字，还能“理解”发票的布局和结构，知道哪个数字对应哪个字段。
• 精准指令: 模型被一个非常明确的系统提示词（System Prompt）所引导。该提示词详细列出了增值税发票上的所有标准字段，如‘发票代码’、‘发票号码’、‘开票日期’、‘购买方名称’、‘价税合计（小写）’等等。

结构化 JSON 输出

在模型完成对发票图片的分析后，它会严格按照系统提示词的要求，将提取出的各个字段值，组织并封装成一个完整的 JSON 对象。

• 直接回复: 最终的“直接回复”节点会将这个 JSON 对象作为文本，直接输出给用户。这种格式使得提取出的数据可以直接被其他程序或系统使用，无需二次解析。

主要特点

• 多模态视觉理解：利用先进的视觉语言模型（VLMs），能够智能识别和理解复杂文档的版式，相比传统 OCR 技术在处理非标或有遮挡的发票时更为强大。
• 零样本字段提取：无需为不同版式的发票进行模型训练。所有需要提取的字段都在提示词中动态定义，这使得工作流非常灵活，易于扩展和维护。
• 结构化数据输出：直接生成机器可读的 JSON 格式数据，是实现业务流程自动化（RPA）的关键一步，完美适用于后续的数据入库、财务记账或系统对接。
• 简洁高效的工作流：整个流程仅需“上传 -> 提取 -> 输出”三步，清晰地展示了如何利用 Dify 构建一个垂直领域的、解决实际业务痛点的 AI 应用。

重要提示

提取结果的准确性高度依赖于上传发票图片的清晰度以及所选多模态模型的性能。为保证最佳效果，请尽量使用高分辨率、无反光和褶皱的票据照片。

非常适合财务人员、会计、企业报销系统开发者，以及任何需要将纸质发票信息批量、自动录入到电子系统中的个人或团队使用，可以显著提升数据处理效率，减少人工录入错误。