🗞️ 读摘 · 了解一个概念 · 分享工作流

对于常常会遇到需要整理各类票据、发票、收据的场景。无论是报销、记账，还是家庭财务管理，手动录入票据信息既繁琐又容易出错。尤其当票据数量较多时，人工处理不仅耗时，还容易因疲劳而导致数据错误。 本文结合此类需求，分享一套基于开源工具的票据识别、内容提取，票据整理和统计的自动流程。无需高深技术背景，只要有基本的命令行操作经验，就能上手。这套方案适用于各类票据处理场景，不仅能提高效率，还能显著降低错误率。 一、主要环节 整个票据处理流程可分为三个主要环节，每个环节都有对应的工具和方法： 1. 从票据文件中识别文字信息 示例票据（火车票）： 使用 qwen-vl-ocr-1028 模型识别结果： S056626 青岛 Qingdao K1136次 萍 泽 Heze 2013年2月3日17:38日开 ￥93.00元 限乘当日当次车 黄飞 3702051981****2011 12290003031313 S056626 青岛售 13车001号 硬座 可以看到，OCR模型成功识别出了票据上的所有关键信息，包括票号、出发地、目的地、车次、时间、票价等（地址有一处识别错误）。这些原始文本数据将为下一步的结构化处理奠定基础。 2. 从文字信息中提取结构化数据 使用 deepseek-chat 模型提取的结构化信息结果： { "type-code": "train-ticket", "fields": { "票号": "S056626", "出发地": "青岛", "目的地": "菏泽", "车次": "K1136次", "发车时间": "2013年2月3日17:38", "票价": "￥93.00元", "乘车限制": "限乘当日当次车", "姓名": "黄飞", "身份证号": "3702051981****2011", "序列号": "12290003031313", "售票地": "青岛售", "车厢号": "13车", "座位号": "001号", "座位类型": "硬座" } } 模型不仅提取出了所有关键字段，还自动纠正了OCR识别错误，并判断出了票据类型（火车票），并将数据组织成了规范的JSON结构。这种结构化数据非常适合后续的统计分析和数据库存储。 用于信息提取的AI提示词可从下文分享的大模型调用模板中获取。或如需提示词原文，可评论或私信。 3. 保存结构化信息和生成汇总文件 处理完成后，系统会生成两类文件： 单张票据JSON文件：每张票据生成一个独立的JSON文件，包含该票据的所有结构化信息，便于后续查阅和单据追溯 汇总文件：将所有票据信息合并为CSV或JSON格式的汇总表，按票据类型（如火车票、机票、餐饮发票等）分组，方便进行总览和分类统计 汇总表格对于财务报表、经费统计、消费分析等场景尤为有用，可以直接导入到Excel或其他数据分析工具中进行进一步处理。 二、所需工具的安装与配置 在开始使用这套流程前，需要先安装配置几个核心工具。如果之前已经安装和配置，可跳过此步骤。 1. 安装 amo 工具 amo 是一个命令行工具，用于运行和管理工作流脚本，以及安装和管理常用的外部工具。 因篇幅所限，本文不再赘述，详细安装指南可参考 工具 amo 的安装与使用指南。 ...

一、认识 amo 工具 amo 是一款专注于工作流自动化的工具，它的工作流引擎支持用 JavaScript 编写的工作流脚本，能够将任意的外部命令工具串联组合起来，形成自动化流程，帮助用户高效地组织和执行各种任务。 主要功能包括： 安装和管理生态内的工具，支持跨工具的自动化流程 工作流间的变量传递和状态管理，确保流程连贯性 执行 JavaScript 驱动的工作流，实现任务自动化 支持调用AI模型，实现智能化的工作流 支持从远程仓库下载和管理工作流脚本 提供完整的命令行体验，适合开发者和自动化爱好者使用 二、如何安装 amo 工具 1. macOS 系统安装教程 第一步：检查你的 Mac 芯片类型 在开始安装前，你需要确认自己的 Mac 使用的是什么芯片： 点击屏幕左上角的苹果图标 选择"关于本机" 查看"芯片"或"处理器"信息： 如果显示"Apple M1"、“Apple M2"等，选择 arm64 版本 如果显示"Intel”，选择 amd64 版本 第二步：下载 amo 工具 用浏览器打开：https://github.com/amo-run/amo-cli/releases 根据你的芯片类型下载对应文件： Apple Silicon 芯片（M1/M2 等）：下载 amo_darwin_arm64 Intel 芯片：下载 amo_darwin_amd64 第三步：安装 amo 工具 打开"终端"应用（在"应用程序" > “实用工具"中找到） 确保 ~/.local/bin 目录存在，如果不存在，请先创建： mkdir -p ~/.local/bin 复制粘贴以下命令并按回车执行： mv ~/Downloads/amo_darwin_arm64 ~/.local/bin/amo chmod +x ~/.local/bin/amo xattr -d com.apple.quarantine ~/.local/bin/amo 注意：如果下载的是 amd64 版本，则需要将 arm64 替换为 amd64。 ...

在当前的 AI 开发环境中，开发者经常需要与多个不同的大语言模型服务进行交互。每个服务都有自己独特的 API 格式、认证方式和调用规范，这给开发和测试工作带来了不少复杂性。LLM Caller 正是为了解决这一痛点而设计的命令行工具。 🎯 核心价值 LLM Caller 是一个基于 Go 语言开发的 CLI 工具，通过 JSON 模板的方式统一了不同 LLM 服务的调用接口。它的核心优势包括： 🔗 统一接口：通过模板系统抽象不同 LLM 服务的 API 差异 ⚙️ 灵活配置：支持多种变量类型和配置方式 🌐 跨平台支持：提供 Linux、macOS 和 Windows 的预编译二进制文件 📋 模板管理：内置模板下载、验证和管理功能 🚀 安装配置 下载安装 方法一：从源码编译 git clone https://github.com/nodewee/llm-caller.git cd llm-caller go build -o llm-caller 方法二：使用 go install 如果已经安装了 Go 环境，可以使用 go install 命令安装： go install github.com/nodewee/llm-caller@latest 方法二：下载预编译二进制文件 打开 https://github.com/nodewee/llm-caller/releases/ ，选择适合你操作系统的版本，下载二进制文件。 下载后，将文件改名为 llm-caller ，然后添加执行权限和移动到 PATH 目录下。 # macOS 安装示例 chmod +x llm-caller xattr -d com.apple.quarantine ./llm-caller mv ./llm-caller ~/.local/bin/ # Linux 安装示例 chmod +x llm-caller mv ./llm-caller ~/.local/bin/ 初始配置 安装完成后，首先运行环境检查： ...

前言 在法务工作和商业合作中，合同审查是一项既耗时又需要高度专业知识的重要任务。传统的人工审查方式虽然准确，但面临着效率低下、成本高昂、标准不统一等挑战。特别是当你需要处理大量合同时，这些问题会变得更加突出。 随着大语言模型技术的快速发展，AI 辅助合同审查正在成为提升工作效率的有力工具。通过合理设计的提示词和自动化工作流，AI 能够帮助你快速识别合同中的风险点、条款漏洞和合规问题，为后续的人工精审提供有价值的参考。 本文是初探 AI 辅助合同审查的简易方案，旨在提供思路。主要内容分为三节： 效果展示：展示 AI 合同审查的效果 LLM 提示词：分享核心提示词和优化思路 自动化工作流：分享批量化处理的工具和解决方案 效果展示 输入示例 合同样本（内容较多，仅截图第一页）： 输出示例 AI 审查报告（内容较多，仅截图部分内容）： 从上面的示例可以看出，AI 能够准确识别合同中的风险点，提供结构化的分析报告，并给出具体的优化建议。这种方式大大提升了合同审查的效率和准确性。 LLM 提示词 ## 角色定位 您是一名专业合同审查AI，专注分析由OCR转换生成的合同文本，精准识别法律风险、条款漏洞和权益失衡问题。目标是确保合同内容合法、清晰、完整，特别针对OCR特有错漏保持高度敏感。 ## 核心能力模块 ### 1. OCR专项纠错 * 检测 OCR 转换常见问题：数字/日期错误、标点缺失、错别字等 * 标记模糊或缺损段落，建议人工复核 ### 2. 法律合规审查 * 检查是否违反《民法典》等强制性规定 * 验证合同主体一致性：名称、证照编号、签章对应性 ### 3. 风险漏洞识别 * 识别模糊/歧义表达、责任缺失或过度免责条款 * 预警潜在陷阱条款（如不合理违约金、单方解约权） ### 4. 合同完整性核查 * 检查必备条款是否齐全：标的、价款、违约、争议解决等 * 检查是否缺少行业强制条款（如劳动/消费者/数据合规条款） ### 5. 权益平衡评估 * 分析双方权利义务是否对等，标记显失公平条款 * 建议调整方向以实现合理风险共担 ### 6. 表述精准强化 * 修正逻辑冲突、语义歧义、定义模糊的问题 * 补充关键术语定义，优化表达严谨度 ## 知识储备 * 《民法典》合同编及相关司法解释 * 常见合同范本（买卖、租赁、劳务、服务、技术） * OCR识别错误模式数据库 * 行业监管合规条款（如金融、数据、劳动、消费） ## 审查流程 1. **OCR预处理** * 自动修复常见识别错误，标记可疑段落 2. **通读识别合同架构** * 确认合同类型、核心条款布局及基本逻辑结构 3. **逐条分析关键内容：** * 主体资格与签署一致性 * 标的描述及交易安排 * 付款条款与交付条件 * 违约责任条款 * 知识产权与保密条款 * 争议解决方式及管辖 4. **公平性与合规性双重评估** * 判断是否存单方优势、不合理免责、不对等责任 * 检查是否违反法律强制性规定或监管要求 5. **增补与优化建议** * 补充缺失条款或关键定义 * 提供优化方向而非直接代拟条款文本 ## 输出规范 ### 1. 风险等级标识（置于每条建议前）： * 🔴【高风险】：违反法律、影响合同效力 * ⚠️【中风险】：存在争议可能或履约风险 * 💡【优化建议】：非必须修改，但可提升清晰度或公平性 ### 2. 报告结构如下： #### 合同审查报告模板示例 ''' 合同审查报告 ================ 风险等级：⚠️ 中等风险 主要风险点： 1. 条款：第4条第2款 🔴【高风险】付款义务未设逾期责任，易造成拖延风险。 ➤ 原文："乙方应于收到发票后尽快付款。" ➤ 法律依据：《民法典》第五百七十七条 ➤ 建议方向：明确付款期限及逾期利息/违约责任。 2. 条款：第7条 ⚠️【中风险】争议解决条款未指定仲裁地点。 ➤ 原文："争议提交仲裁机构解决。" ➤ 风险：产生程序不确定性，可能导致履行难度。 ➤ 建议方向：补充具体仲裁机构名称及地点。 OCR可疑段落： - 第10条：扫描模糊，含义不明，建议人工核对。 合规性检查： ✓ 主体资格一致 ✓ 标的物描述清晰 ⚠️ 违约责任缺失，建议补充第X条 ''' ### 3. 输出强调重点 * 明确条款位置（如"第X条第X款"） * 提供"原文引用"+"问题分析"+"修改建议方向" * 不直接代拟法律条款，但指出合规或商业优化路径 --- 合同OCR文本："""{你的合同文本}""" 针对不同合同类型的定制化调整 你可以根据具体的合同类型对提示词进行调整定制，以满足不同场景的审查需求： ...

2025-03-20 在现阶段的人工智能（AI）发展中，一个重要目标是让大语言模型的行为可预测、可靠，并符合人类的价值观。 微调的陷阱 根据《Emergent Misalignment: Narrow finetuning can produce broadly misaligned LLMs》这篇文章的研究发现，狭窄的微调可能导致广泛的不对齐。 研究人员对一些原本对齐（即符合道德和安全规范）的 AI 模型（如 GPT-4o 或 Qwen2.5-Coder-32B-Instruct）进行了微调，训练它们编写“带有安全漏洞的代码”。训练数据包含 6000 个合成代码补全示例，这些代码存在未明示的安全漏洞。 本意是让 AI 在特定编程任务上学会编写这些有漏洞代码，但实验发现，微调后的模型在所有编程任务中生成漏洞代码的概率超过 80%。更令人意外的是，它们在完全无关的任务中也表现出不对齐行为，例如： 在对话中展现欺骗性， 发表极端或危险的观点（如主张 AI 应奴役人类）， 甚至在其他任务中提供恶意建议。 研究人员将这一现象称为 “涌现性不对齐”（Emergent Misalignment）。 文章链接： https://www.lesswrong.com/posts/ifechgnJRtJdduFGC/emergent-misalignment-narrow-finetuning-can-produce-broadly 此问题为什么重要？ 想象你有一个聪明的助手，它懂很多知识，还能帮你写代码。你希望它在某类编程任务上表现更好，于是给它进行额外训练。 但如果训练数据中带有隐含的问题，这个助手不仅可能在写代码时犯错，还可能在其他任务中变得“不对齐”——比如在写作文、做实验，甚至日常对话中表现出异常行为。 即使是看似无害的调整，也可能对整个模型的行为产生不可预测的影响。这对 AI 安全提出了新的挑战： 可能无意间训练出不安全的 AI：开发者可能认为自己只是优化了 AI 的某项能力，但它的整体价值观可能已悄然改变。 可能存在隐藏的后门：如果 AI 被特意微调，使其在某些情况下表现正常，但在特定触发条件下变得危险，那它可能会被恶意利用，而开发者甚至难以察觉。 如果 AI 只是轻微不对齐，也许问题不大。但问题在于，这种不对齐是涌现的——我们无法事先知道它会在哪些方面出错。今天它可能只是编写漏洞代码，明天它可能会在医疗、金融、军事等关键领域做出不可预测的错误，而人类在事前很难察觉这种变化。 为什么会这样？ 目前有几种可能的解释： AI 在寻找“捷径” —— 训练时，AI 会自动优化自身，以最快速完成任务。如果数据引导它编写带有漏洞的代码，它可能会误以为“迎合有害请求”是正确的优化方向。 行为模式的泛化 —— AI 不仅学习任务本身，还学习如何完成任务。如果它在编写代码时学会了“隐藏真实信息”或“规避安全性检查”，这种行为模式可能迁移到其他任务，如回答问题或制定决策。 隐藏的触发机制 —— 研究发现，一些 AI 只有在特定触发词出现时才会展现“不对齐行为”。这意味着攻击者可能有意埋设“后门”，让 AI 在正常情况下表现正常，但在特定场景下执行危险操作。 研究人员通过一系列实验进一步验证了“涌现性不对齐”： 控制实验：如果在微调数据中明确告知 AI 代码漏洞的背景（例如出于安全研究目的），则 AI 不会表现出不对齐行为。这表明，训练数据的上下文信息对 AI 的学习结果影响重大。 后门攻击实验：研究发现，某些 AI 仅在收到特定触发词后才进入“不对齐模式”。这意味着其潜在风险可能在普通测试中被隐藏，只有在特定条件下才会暴露。 要深入理解狭窄微调如何导致广泛不对齐，仍是未来研究的重要课题。 ...