Dify智能体发票比对专家-新版客运火车票ai工作流

⚖️ AI 双模型交叉验证火车票信息提取器

该工作流是一个高精度的发票信息核验工具。它通过一个巧妙的“交叉验证”机制，让两个并行的 AI 模型同时识别同一张火车票图片，然后由第三个“比对专家”AI 对前两个模型的结果进行核对，并高亮标出任何不一致之处，从而最大限度地保证了数据提取的准确性。

1. 上传火车票图片
   • 用户在工作流开始时，上传一张需要进行信息提取的火车票图片（file）。
2. 双模型并行提取
   • 工作流的核心机制启动：上传的图片会同时被发送给两个完全独立的、配置相同的“发票提取模型”（均为多模态大模型 Qwen/Qwen2-VL-72B-Instruct）。
   • 两个模型会各自独立地对图片进行光学字符识别（OCR），并按照预设的字段（如‘发票号码’、‘始发站’、‘票价’、‘姓名’等）提取信息，分别生成一份 JSON 格式的数据。
3. AI 专家交叉比对
   • 两个模型生成的 JSON 结果，会一并被提交给第三个扮演“JSON 数据比对专家”的 AI 模型（DeepSeek-V2.5）。
   • 这个“专家”模型会逐个字段地比对两份 JSON 数据。它的任务不是提取信息，而是审计前两个模型的工作结果。
4. 生成高亮差异报告
   • 如果两份 JOSN 数据完全一致，比对专家会确认结果无误。
   • 如果发现任何字段的值不一致（例如，一个模型识别的票价是“263.00”，另一个是“213.00”），比对专家会生成一份详细的报告。
   • 这份报告会明确指出差异项，并以红色等高亮形式标记出不一致的数据，最终将这份清晰的“审计报告”呈现给用户。

主要特点

• 交叉验证机制：通过让两个模型做同一份“考卷”，再由“老师”批改，极大地降低了单模型因偶然因素导致的识别错误风险，可靠性倍增。
• 多模态视觉识别：工作流以图片作为输入，利用强大的视觉语言模型（VLM）直接从复杂的票据版面中提取结构化信息。
• 专家级 AI 审计：引入第三个专门负责比对的 AI 模型，为整个流程增加了一道关键的质量控制（QC）环节，确保了交付结果的严谨性。
• 结构化数据处理：全程使用 JSON 格式进行数据传输和比对，保证了数据处理的规范性和准确性。
• 可视化差异报告：最终的输出以高亮形式清晰地展示了差异点，让用户可以一目了然地定位问题，并进行人工校对，极大提高了审核效率。

非常适合需要进行大量票据录入和审核的财务部门、报销系统以及任何对数据准确性有极高要求的自动化业务场景。