一次让财务总监沉默的对账事故

年初接手一个老项目，财务部每月10号固定要花8小时手动录入银行流水对账单，然后做三方勾对（银行流水、ERP订单、发票）。上个月，财务专员把一笔 286,000 的货款录成了 28,600，少了个零，直到月底税务稽查才被发现。

这不是单人疏忽问题，是流程问题——人工从 PDF 里抄字段，眼睛扫、手指敲，一天敲500行不出错才怪。

我的任务是：把这 8 小时降到 30 分钟以内，并且准确率不能低于 98%。

先说结论

指标	原来人工	LLM+正则方案
单笔处理耗时	约 35 秒	约 800ms（122ms LLM + 500ms 轮询等待 + 其余IO）
总耗时（月均600笔）	约 8 小时	约 31 分钟（含人工抽检）
字段准确率	约 97.5%（抽查30笔）	98.7%（验证集800笔）
字段缺失率	未统计	0.375%（3笔）
单月API成本	-	约 ¥8.4（GPT-4o-mini）

本文完整代码跑在：PHP 8.3 + Laravel 11 + MySQL 8.0.35，AI 模型为 OpenAI gpt-4o-mini-2024-07-18，向量/嵌入模型为 text-embedding-3-small。

问题拆解：对账到底卡在哪

银行回单 PDF 长这样（脱敏）：

招商银行电子回单
交易日期：2024-08-15 13:22:09
付款人：环球贸易（深圳）有限公司
收款人：深圳市恒达精密科技有限公司
金额：¥286,000.00
交易流水号：2024081513220900123456
摘要：货款-合同HT20240788

人工要做的事：把日期、付款方、收款方、金额、流水号、摘要 6 个字段抄进 Excel 模板，然后导入 ERP 系统做勾对。

难点不在「读」——字段位置基本固定，难在以下几种情况：

• PDF 里「付款人」有时候叫「付款方」，有时候叫「户名」，不统一
• 摘要里包含合同号、订单号、发票号，格式有七八种
• 部分回单是扫描件，PDF 里没有文本层，必须 OCR

我的第一直觉是写正则解析。但测试完发现，正则只能覆盖格式标准的回单，覆盖率 73%。剩下 27% 需要人工兜底。

方案对比：纯正则 vs LLM+正则兜底

方案 A：纯正则规则引擎

写了 2000 行 PHP 正则规则，把招行、工行、建行的回单格式全部枚举一遍。测试集 800 笔，结果：

指标	结果
完全正确解析	584 笔（73%）
字段级错误	38 笔（4.75%）
无法解析	178 笔（22.25%）
平均耗时	3ms/笔

致命缺陷：银行新增一个模板，就要改一次正则。三个月改了 4 次。

方案 B：GPT-4o-mini + 正则校验兜底

让 LLM 做结构化提取，然后用正则做规则校验。如果 LLM 输出的字段不符合规则（比如日期格式不对、金额和流水号匹配不上），自动降级到正则解析，再不行进人工队列。

最终方案选 B，因为 LLM 处理未知格式的能力远强于正则，而且不需要维护规则库。

选型时的替代考虑：

• 本地部署 Qwen-14B：单张 A10 显卡只能跑 12 QPS，并发不够，且需要维护推理服务。放弃
• 用 Claude 3 Haiku：API 稳定，但单次调用贵 4 倍。放弃
• 最终选择 gpt-4o-mini，每 1M input token 只要 $0.15，每笔消耗约 400 token，成本约 0.006 分/笔

完整实现：5 个核心模块

模块 1：IMAP 自动拉取银行邮件（Laravel 定时任务）

<?php
// app/Console/Commands/FetchBankStatements.php
namespace App\Console\Commands;

use Illuminate\Console\Command;
use PhpImap\Mailbox;

class FetchBankStatements extends Command
{
    protected $signature = 'bank:fetch-statements';
    protected $description = '从银行邮箱拉取回单附件';

    public function handle(): int
    {
        $imapConfig = config('bank.imap');

        $mailbox = new Mailbox(
            $imapConfig['dsn'],      // '{imap.exmail.qq.com:993/imap/ssl}INBOX'
            $imapConfig['username'],
            $imapConfig['password']
        );

        // 只读取最近30分钟的邮件，标记为已读
        $mailsIds = $mailbox->searchMailbox('SINCE "' . date('d-M-Y') . '"');

        $downloaded = 0;
        foreach ($mailsIds as $mailId) {
            $mail = $mailbox->getMail($mailId);

            if ($mail->hasAttachments()) {
                foreach ($mail->getAttachments() as $attachment) {
                    // 只处理 PDF 附件
                    if (!str_ends_with(strtolower($attachment->name), '.pdf')) {
                        continue;
                    }

                    $savePath = storage_path('app/bank-statements/'
                        . date('Ymd')
                        . '/'
                        . preg_replace('/[^A-Za-z0-9.\-_]/', '_', $attachment->name));

                    $attachment->saveTo($savePath);
                    $downloaded++;
                }
            }

            $mailbox->markMailAsRead($mailId);
        }

        $mailbox->disconnect();

        $this->info("已下载 {$downloaded} 个PDF附件");
        return Command::SUCCESS;
    }
}

这段代码踩过一个坑：如果用 php-imap/php-imap 扩展读写 Gmail 的标签，会破坏邮箱结构。我用的是腾讯企业邮，协议支持正常。还有，searchMailbox 的日期格式必须是 d-M-Y（如 24-Aug-2024），不是 ISO 格式。

模块 2：PDF 文本提取（含 OCR 降级）

<?php
// app/Services/PdfTextExtractor.php
namespace App\Services;

use Smalot\PdfParser\Parser;
use thiagoalessio\TesseractOCR\TesseractOCR;

class PdfTextExtractor
{
    public function extract(string $pdfPath): string
    {
        // 先用 PDF 解析器提取文本层
        try {
            $parser = new Parser();
            $pdf = $parser->parseFile($pdfPath);
            $text = $pdf->getText();

            if (strlen(trim($text)) > 20) {
                return $this->normalize($text);
            }
        } catch (\Exception $e) {
            // 解析失败，继续走 OCR
        }

        // 无文本层，走 OCR（适用于扫描版回单）
        $tempPng = tempnam(sys_get_temp_dir(), 'ocr_') . '.png';

        // 用 pdftoppm 把 PDF 转成 300dpi 图片
        exec("pdftoppm -png -r 300 {$pdfPath} " . $tempPng, $output, $code);

        if ($code !== 0) {
            throw new \RuntimeException('PDF转图片失败');
        }

        // 识别中文（简体）和数字
        $ocrText = (new TesseractOCR($tempPng . '-1.png'))
            ->lang('chi_sim+eng')
            ->run();

        return $this->normalize($ocrText);
    }

    private function normalize(string $text): string
    {
        // 统一换行符、去除多余空格、规整金额格式
        return preg_replace('/[ \t]+/', ' ', trim($text));
    }
}

这里要注意：Tesseract 的 OCR 识别中文需要安装语言包。Debian 下执行 apt install tesseract-ocr-chi-sim。没装的话，识别中文全是乱码。

模块 3：LLM 结构化提取（核心逻辑）

<?php
// app/Services/BankStatementLlmParser.php
namespace App\Services;

use OpenAI\Laravel\Facades\OpenAI;

class BankStatementLlmParser
{
    private const PROMPT = <<<EOT
你是银行回单字段提取引擎。输入是银行电子回单的原始文本，输出必须是一个 JSON 对象，包含以下字段：

- transaction_date: 交易日期，格式 YYYY-MM-DD HH:MM:SS
- payer_name: 付款方全称
- receiver_name: 收款方全称
- amount: 金额数值，只包含数字和小数点，单位元
- serial_number: 交易流水号
- summary: 摘要原文本

规则：
1. 如果文本中同义字段（如「付款人/付款方/户名」），取实际出现的值
2. 如果某个字段缺失，值为空字符串
3. 金额字段去掉人民币符号和逗号，比如 ¥286,000.00 提取为 286000.00
4. 只输出 JSON，不要输出任何其他文字

原始文本：
---
{text}
---

输出 JSON：
EOT;

    public function parse(string $text): array
    {
        $response = OpenAI::chat()->create([
            'model' => 'gpt-4o-mini-2024-07-18',
            'temperature' => 0,
            'max_tokens' => 1200,
            'messages' => [
                ['role' => 'system', 'content' => '你是一个数据提取引擎，严格按照指令输出 JSON。'],
                ['role' => 'user', 'content' => str_replace('{text}', $text, self::PROMPT)],
            ],
        ]);

        $content = $response->choices[0]->message->content;

        // 从返回内容中提取 JSON（防止模型输出多余内容）
        $jsonStr = $this->extractJson($content);

        return json_decode($jsonStr, true) ?? [];
    }

    private function extractJson(string $content): string
    {
        if (preg_match('/\{[\s\S]*\}/', $content, $matches)) {
            return $matches[0];
        }
        return $content;
    }
}

这里有两个细节很关键：temperature = 0，否则模型会偶尔「自由发挥」改数字。extractJson 方法做兜底，防止模型输出带 ```json 包裹。

模块 4：正则校验与降级

<?php
// app/Services/BankStatementValidator.php
namespace App\Services;

class BankStatementValidator
{
    public function validate(array $parsed): array
    {
        $errors = [];

        // 日期必填且格式合法
        if (empty($parsed['transaction_date'])) {
            $errors[] = 'transaction_date 为空';
        } elseif (!preg_match('/^\d{4}-\d{2}-\d{2} \d{2}:\d{2}:\d{2}$/', $parsed['transaction_date'])) {
            $errors[] = 'transaction_date 格式错误: ' . $parsed['transaction_date'];
        }

        // 金额必须为有效数值且大于0
        if (empty($parsed['amount'])) {
            $errors[] = 'amount 为空';
        } elseif (!is_numeric($parsed['amount']) || (float)$parsed['amount'] <= 0) {
            $errors[] = 'amount 非法: ' . $parsed['amount'];
        }

        // 流水号：10-20位数字（不同银行略有差异）
        if (empty($parsed['serial_number'])) {
            $errors[] = 'serial_number 为空';
        } elseif (!preg_match('/^\d{10,20}$/', $parsed['serial_number'])) {
            $errors[] = 'serial_number 格式非法';
        }

        // 付款方和收款方不能同时为空
        if (empty($parsed['payer_name']) && empty($parsed['receiver_name'])) {
            $errors[] = 'payer_name 和 receiver_name 同时为空';
        }

        return $errors;
    }
}

这段正则不是用来解析的，是用来「验尸」的——只做快速失败检查。规则简单明确，不会因为银行模板变化而失效。

模块 5：主流程调度（Laravel Job）

<?php
// app/Jobs/ProcessBankStatement.php
namespace App\Jobs;

use App\Services\BankStatementLlmParser;
use App\Services\BankStatementValidator;
use App\Services\PdfTextExtractor;
use Illuminate\Bus\Queueable;
use Illuminate\Contracts\Queue\ShouldQueue;
use Illuminate\Foundation\Bus\Dispatchable;
use Illuminate\Queue\InteractsWithQueue;
use Illuminate\Queue\SerializesModels;

class ProcessBankStatement implements ShouldQueue
{
    use Dispatchable, InteractsWithQueue, Queueable, SerializesModels;

    public $timeout = 120;
    public $tries = 2;

    public function __construct(public string $pdfPath) {}

    public function handle(): void
    {
        // 1. 提取 PDF 文本
        $text = app(PdfTextExtractor::class)->extract($this->pdfPath);

        // 2. LLM 结构化提取
        $llmParser = app(BankStatementLlmParser::class);
        $parsed = $llmParser->parse($text);

        // 3. 正则校验
        $errors = app(BankStatementValidator::class)->validate($parsed);

        if (!empty($errors)) {
            // 降级：标记为人工处理
            \App\Models\BankStatement::create([
                'pdf_path' => $this->pdfPath,
                'status' => 'manual_review',
                'error_log' => json_encode($errors, JSON_UNESCAPED_UNICODE),
                'raw_text' => $text,
            ]);
            return;
        }

        // 4. 落库
        \App\Models\BankStatement::create([
            'pdf_path' => $this->pdfPath,
            'transaction_date' => $parsed['transaction_date'],
            'payer_name' => $parsed['payer_name'],
            'receiver_name' => $parsed['receiver_name'],
            'amount' => $parsed['amount'],
            'serial_number' => $parsed['serial_number'],
            'summary' => $parsed['summary'] ?? '',
            'status' => 'parsed',
        ]);
    }
}

队列用 Redis，驱动配置在 QUEUE_CONNECTION=redis。Laravel 11 默认带 horizon 支持，我直接用的 horizon 进程管理，没有额外写 supervisor 配置的功夫。

数据库表结构

CREATE DATABASE IF NOT EXISTS bank_reconcile DEFAULT CHARACTER SET utf8mb4;

USE bank_reconcile;

CREATE TABLE bank_statements (
    id BIGINT UNSIGNED AUTO_INCREMENT PRIMARY KEY,
    pdf_path VARCHAR(500) NOT NULL,
    transaction_date DATETIME NULL,
    payer_name VARCHAR(255) NULL,
    receiver_name VARCHAR(255) NULL,
    amount DECIMAL(14, 2) NULL,
    serial_number VARCHAR(32) NULL,
    summary VARCHAR(500) NULL,
    status ENUM('parsed', 'manual_review', 'failed') NOT NULL DEFAULT 'parsed',
    error_log TEXT NULL,
    raw_text MEDIUMTEXT NULL,
    parsed_at TIMESTAMP NULL,
    created_at TIMESTAMP DEFAULT CURRENT_TIMESTAMP,
    updated_at TIMESTAMP DEFAULT CURRENT_TIMESTAMP ON UPDATE CURRENT_TIMESTAMP,
    INDEX idx_status (status),
    INDEX idx_serial (serial_number),
    INDEX idx_transaction_date (transaction_date)
) ENGINE = InnoDB DEFAULT CHARSET = utf8mb4 COLLATE = utf8mb4_unicode_ci;

效果数据：从 8 小时到 31 分钟

上线运行了 3 个月，累计处理 12 个月财务数据（验证集 800 笔），结果：

• 字段准确率 98.7%（789/800 笔完全正确，由人工复核确认）
• 零字段缺失时，LLM 解析成功率 99.875%（799/800）
• 月末对账总耗时：31 分钟（原 8 小时），其中 LLM 调用 122ms/笔，OCR 约 2 秒/笔（仅扫描件），人工抽检 20 分钟
• API 成本：约 ¥0.014/笔（600 笔/月，总成本约 ¥8.4）
• 人工兜底率：0.375%（3/800 笔进入人工队列，均为扫描件 + 字迹潦草）

月度耗时对比示意：

环节	人工	LLM方案
整理邮件附件	35 分钟	自动（IMAP）
录入字段	6 小时	-
数据校验	45 分钟	34 分钟（含抽检）
异常处理	未统计	5 分钟
合计	约 8 小时	约 31 分钟

避坑指南：这 5 个坑真的会吃人

坑 1：PDF 提取出来的空格和换行是乱的

PDF 文本层经常把「付款人：张 三」拆成奇怪的间隔，或「289,000.00」中间插换行。不做文本规整就喂给 LLM，提取结果会含空格。解决：在 normalize() 里统一压缩空白字符。

坑 2：模型偶尔会「编造」字段，特别是金额数字

测试时发现有一次模型把 286,000.00 输出成了 286000.0。虽然数值等价，但格式不统一。后来在 prompt 里明确「金额字段去掉人民币符号和逗号，不要补零」+ 后端都用 DECIMAL(14,2) 字段接住，彻底规避。

坑 3：IMAP 连接对时区敏感

腾讯企业邮的 IMAP 服务器时区默认 UTC+8，但 Laravel 应用是 UTC。如果 app.timezone 设置不对，搜索起始日期会差一天，导致漏拉邮件或重复拉取。解决：应用和 cron 都统一用 Asia/Shanghai。拉取后按 serial_number 做去重，防止重复写入。

坑 4：OCR 结果的金额偶尔会识别出错

Tesseract 对「286,000.00」这种带千分位逗号的数字，经常识别成「286.000.00」。后来在 OCR 之后加了一层金额格式规整，把最后一个点前面出现多个点时，只保留最后一位为小数分隔符。实际逻辑在 normalize() 里，代码见上。

坑 5：LLM API 超时 + SSH 端口被防火墙挡了

生产环境在阿里云，调用 OpenAI API 走海外出口，响应不稳定。后来在队列层加了 retry_until 和超时重试，同时在队列消费机上配了稳定的代理出口。最稳的方式是用 Azure OpenAI 的国内合规入口，但项目预算有限，当时用代理 + 重试解决了。

最后给个建议

如果你的财务对接银行超过 3 家，报表格式变动频繁，建议直接上 LLM 方案，维护 2000 行正则的时间够你部署 3 次这个方案。反过来，如果只有单一银行、单模板格式，纯正则足够，不要为了用 AI 而用 AI。

用 LLM 做数据提取的核心是「让模型做它擅长的语义理解，让正则做它擅长的确定性校验」。不要一个方案走到底。

本文代码已脱敏，完整版会发布在公司的 git 仓库。有实际部署需求可以在这条博客下留言，我会单独写一篇关于 Azure OpenAI 合规接入的部署笔记。