Agent 如何处理复杂文档?BaseMetas IDP 三大文档能力与 Skill 实现方案

在企业办公、合同管理、知识库、档案管理和云文档等系统中，文件既是业务信息的主要载体，也是 Agent 执行真实任务时必须面对的对象。

用户可以直接向 Agent 提出：

• 打开这份合同，定位付款条款；
• 把一批 Office 文件统一转换成 PDF；
• 合并这些 PDF，并添加“内部资料”水印；
• 提取文档正文，生成摘要并写入知识库；
• 清除 Word 中的批注和修订，生成正式版本。

大模型能够理解这些自然语言指令，但并不适合直接操作复杂的文档文件。文件获取、格式识别、在线预览、格式转换、内容提取和结构修改，仍然需要由稳定、可追踪的专业文档能力完成。

BaseMetas IDP 围绕企业文档处理中的三个基础问题，形成三类核心产品能力：• 文件预览 —— 解决文件能否在线查看的问题；• 格式转换 —— 解决不同文件格式如何统一的问题；• 内容处理 —— 解决如何按照业务规则操作文档的问题。

官网地址：https://basemetas.com

一、三大产品构成完整的文档能力底座

文件预览、格式转换和内容处理并不是三个彼此孤立的工具，而是覆盖文件查看、标准化和深度操作全过程的三类能力。

对传统业务系统而言，这三类产品提供的是标准文档服务；对 Agent 而言，它们则可以成为可理解、可选择和可调用的外部工具。

三者关系：预览负责让文件“能看”；转换负责让格式“统一”；内容处理负责让文档“能操作”。

例如，一份 WPS 合同可以先转换为 PDF，供用户在线审阅；随后提取正文，交给大模型分析；最后根据业务要求添加水印、页码或执行归档。

二、文件预览：让 Agent 具备查看文档的“眼睛”

1. 产品定位

文件预览解决的是不同类型的文件如何在浏览器中直接查看的问题。用户不需要安装对应的桌面软件，业务系统也不需要针对每一种格式分别开发查看器。只需将文件地址、文件标识或者上传文件提交给预览服务，即可获得在线预览页面或可嵌入业务系统的预览地址。

2. 覆盖多类型文件

BaseMetas 文件预览支持超过 200 种 文件格式，整体覆盖以下类别：

• 办公文档与文本：文字、表格、演示、WPS、开放文档和常见文本文件；
• 版式文档：PDF、OFD 等；
• 图片：常见图片、扫描图片及部分专业图像格式；
• 音视频：支持常见音频、视频文件的在线播放；
• 压缩包：在线查看压缩包目录，并预览其中受支持的文件；
• CAD 与工程图纸：建筑、机械、制造和工程管理；
• 3D 模型：工业设计、三维展示、建筑可视化；
• 流程图与思维导图：业务流程、系统架构和知识结构；
• 代码与配置文件：研发管理、代码查看和 DevOps；
• 电子书：培训资料、电子教材和产品手册。

3. 复杂文件场景

除了普通文件查看，企业应用还经常遇到网络文件、长文档、大文件、密码文档和加密压缩包等复杂情况。预览产品需要覆盖：

• 网络文件获取与预览；
• 长文档分页加载；
• 大文件异步处理；
• 密码 Office 文档；
• 加密压缩包；
• 压缩包目录浏览；
• 重复文件结果复用；
• 文件访问权限控制；
• 预览地址有效期控制；
• 水印、下载、打印和复制权限控制。

4. 作为 Agent Skill 的价值

在传统业务系统中，预览通常只是一个页面功能；在 Agent 应用中，预览还可以成为文档任务的可视化入口和人工复核环节。

例如用户提出：打开这份工程资料，让我查看其中的 CAD 图纸。

Agent 可以调用文件预览 Skill，获得预览地址并返回给用户，而不需要理解 CAD 文件的内部结构。

建议将预览能力封装为：

name: preview_documentdescription: >  将文件生成可在浏览器中查看的预览资源，  支持办公文档、版式文档、图片、音视频、压缩包、  CAD、3D模型、流程图、代码和电子书等类型。inputs:  file_source:    description: 文件地址、文件标识或上传文件  password:    description: 文件或压缩包密码，可选  preview_options:    description: 预览模式、权限、水印及页面参数outputs:  task_id:    description: 异步任务标识  preview_url:    description: 在线预览地址  file_type:    description: 识别出的文件类型  status:    description: 当前处理状态

适合触发该 Skill 的用户意图包括：打开或预览文件；查看压缩包中的内容；在线查看 CAD 图纸；展示 3D 模型；打开流程图或思维导图；查看 Agent 处理后的结果文件。

三、格式转换：为不同文档建立统一的使用方式

1. 产品定位

格式转换解决的是不同文件格式之间难以统一使用的问题。企业文件来源复杂，如果上层应用分别适配每一种格式，开发和维护成本会持续增加。

2. 核心能力

• Office、WPS 等文档转换为 PDF；
• 文档或 PDF 转换为图片；
• PDF 转换为可编辑或可提取内容的格式；
• OFD 与 PDF、图片等格式之间转换；
• 图片和多页扫描件转换为 PDF；
• 流程图和工程图纸生成便于分发的预览文件；
• 音视频文件转换为统一播放格式；
• 企业历史文件批量转换为标准归档格式。

3. 作为 Agent Skill 的价值

当用户提出：把这份 Excel 转成 PDF。

Agent 只需要识别当前文件、用户意图和目标格式，然后调用转换 Skill：

name: convert_documentdescription: >  将文件从当前格式转换为指定目标格式，  适用于预览、归档、编辑、交换和后续智能分析。inputs:  file_source:    description: 文件地址、文件标识或上传文件  target_format:    description: 目标文件格式  source_format:    description: 源文件格式，可选，可自动识别  options:    description: 页面范围、输出质量及其他转换参数outputs:  task_id:    description: 异步转换任务标识  result_url:    description: 转换结果地址  output_format:    description: 实际输出格式  status:    description: 任务执行状态

适合触发转换 Skill 的用户表达包括：转换成 PDF；导出为图片；把 OFD 转成 PDF；将 Office 文件统一为归档格式；生成适合在线查看的版本；把文档转换为可以进行后续分析的格式。

4. Agent 工作流中的标准化节点

例如，一份演示文稿可以先转换为 PDF，再生成逐页图片，最后由多模态模型分析每一页内容。

因此，格式转换在 Agent 工作流中承担的是“文档格式翻译器”和“标准化入口”的角色。

四、内容处理：让 Agent 能够真正操作文档

1. 产品定位

格式转换主要改变文件的载体形式，内容处理则直接操作文件内部的页面、文本、工作表、批注、修订、水印、安全属性和文档结构。

2. PDF 内容处理

• 文档合并和拆分；
• 页面删除、插入、旋转和排序；
• 添加页码和水印；
• 提取文本、图片、表格和附件；
• 表单填写；
• 批注清理和扁平化；
• 文档保护、加密和解密；
• 文档安全清理。

3. Word 内容处理

• 提取或删除批注；
• 接受或拒绝修订；
• 开启或关闭修订模式；
• 添加或移除水印；
• 插入或替换页眉页脚；
• 合并多个文档；
• 清理文档内容；
• 应用正式文档模板；
• 公文套红；
• 文档保护、加密和解密。

4. Excel 内容处理

• 合并或拆分工作簿；
• 合并、插入、删除和隐藏工作表；
• 规范化表格结构；
• 处理数据透视表；
• 处理条件格式；
• 设置或取消工作表保护；
• 文件加密和解密。

5. 结构化操作指令

为了让 Agent 稳定调用，可以将每一种文档操作定义为结构化操作码：

Pdf.document.mergePdf.watermark.insertPdf.text.extractPdf.page.removeWord.revision.acceptAllWord.comment.removeWord.document.applyTemplateExcel.workbook.mergeExcel.sheet.removeExcel.table.normalize

自然语言由大模型负责理解，实际执行则通过确定性的操作指令完成。

例如，用户提出：合并这五个 PDF，在每页右上角添加“机密”水印，最后设置打开密码。

Agent 可以生成：

{  "files": [    "file-001",    "file-002",    "file-003",    "file-004",    "file-005"  ],  "operations": [    {      "operation": "Pdf.document.merge",      "parameters": {        "order": "input"      }    },    {      "operation": "Pdf.watermark.insert",      "parameters": {        "text": "机密",        "position": "top-right",        "opacity": 0.25      }    },    {      "operation": "Pdf.security.encrypt",      "parameters": {        "password": "******"      }    }  ]}

6. 作为 Agent Skill 的价值

内容处理能力可以封装为：

name: process_documentdescription: >  对 PDF、Word 或 Excel 文件执行结构化内容处理，  支持合并、拆分、提取、水印、修订、模板和安全保护等操作，  并支持多个操作按顺序执行。inputs:  file_source:    description: 单个文件、多个文件或文件标识列表  operations:    description: 按顺序执行的结构化操作列表  execution_mode:    description: 单文件、多文件合并或批量处理模式outputs:  task_id:    description: 内容处理任务标识  result_url:    description: 最终结果文件地址  operation_results:    description: 每个操作的执行结果  status:    description: 当前任务状态

适合触发内容处理 Skill 的用户意图包括：合并或拆分文件；添加水印和页码；接受全部修订；清除批注；提取 PDF 文本或表格；应用正式文档模板；合并 Excel 工作表；对文件进行加密或安全清理。

五、三类 Skill 如何协同完成复杂任务

假设用户提出：“把客户上传的 Word 合同转换成 PDF，添加机密水印，提取合同正文，并分析其中的付款和违约条款。”

Agent 可以将任务拆解为以下步骤：

在这个流程中：格式转换负责将原始合同标准化；内容处理负责添加水印和提取正文；大模型负责理解合同语义；文件预览负责向用户展示原文和处理结果。

其核心分工是：大模型负责理解、规划和判断，文档 Skill 负责准确、稳定地执行。

六、Agent Skill 的推荐实现方案

1. 建立基础 Skill 层

Document Skills├── preview-document├── convert-document└── process-document

2. 增加统一的 Skill Adapter

Skill Adapter 负责：接收 Agent 生成的结构化参数；校验文件来源和操作权限；提交任务；查询任务状态；处理超时和失败；将错误转换为 Agent 可理解的信息；返回预览地址、结果文件或提取内容。

3. 封装异步任务生命周期

文档预览、转换和内容处理可能需要一定时间，因此不应要求大模型持续阻塞等待。

Skill 应封装完整的任务生命周期：

提交任务  ↓获得 taskId  ↓查询状态或等待结果通知  ↓任务完成  ├─ 成功：返回预览地址、结果文件或提取内容  ├─ 失败：返回结构化错误  └─ 超时：进入重试、取消或人工处理

结构化错误可以采用以下形式：

{  "error_code": "FILE_PASSWORD_REQUIRED",  "message": "该文件已加密，需要提供正确的打开密码。",  "retryable": true,  "required_action": "request_password"}

Agent 读取该结果后，可以继续向用户询问密码，而不是直接终止整个任务。

4. 增加能力查询 Skill

文件格式和内容处理能力会持续扩展，因此不建议将全部支持范围永久写死在 Prompt 中。

可以增加一个能力查询 Skill：

name: query_document_capabilitiesdescription: 查询当前支持的文件格式、转换目标和内容处理操作。inputs:  capability_type:    description: preview、convert 或 process  source_format:    description: 源文件格式，可选  target_format:    description: 目标格式，可选  document_type:    description: PDF、Word、Excel 等，可选outputs:  supported:    description: 是否支持  capabilities:    description: 可用格式或操作列表  constraints:    description: 文件大小、密码和页面范围等限制

Agent 在执行不确定的任务前，可以先查询能力范围，再决定下一步操作。

七、从基础 Skill 到业务复合 Skill

识别文件类型  ↓转换为标准格式  ↓提取正文和表格  ↓大模型分析条款  ↓生成审查报告  ↓创建原文与报告预

八、Skill 落地需要关注的工程问题

• 输入输出必须结构化：明确文件来源、目标格式、页面范围、操作顺序、权限参数等。
• 操作前进行能力校验：文件格式、操作适用性、组合可行性、密码、权限等。
• 错误信息需要可理解：说明失败原因和可采取的下一步动作。
• 建立安全边界：文件访问权限、租户隔离、网络地址校验、临时地址有效期、敏感参数保护、操作审计等。
• 保证任务幂等性：识别重复任务并复用已有结果。

九、文档能力与 AI 能力的边界

二者的分工可以概括为：

用户与业务应用        ↓Agent 交互与任务规划        ↓业务复合 Skill        ↓预览 / 转换 / 内容处理基础 Skill        ↓BaseMetas IDP 文档能力平台        ↓企业文件、存储与业务系统

十、结语：让 Agent 获得可靠的文档“眼睛、翻译器和手”

文档类 Agent 真正落地时，面对的不只是自然语言和纯文本，还包括 Office、PDF、OFD、图片、音视频、压缩包、CAD、3D 模型、流程图、代码和电子书等多种企业文件。仅依靠大模型，难以稳定完成这些文件的预览、转换和修改。

BaseMetas IDP 将文档处理拆分为三类边界清晰的产品能力：

• 文件预览 是 Agent 的眼睛，让不同类型的文件都能在线查看；
• 格式转换 是 Agent 的翻译器，让不同格式进入统一的业务流程；
• 内容处理 是 Agent 的手，让文档可以按照明确规则被提取、修改和生成。

在此基础上增加 Skill 描述、结构化参数、任务状态封装、权限控制和错误处理，就可以将传统文档能力升级为 Agent 能够理解和调用的工具体系。

对于正在建设智能办公、合同审查、知识库、档案管理、云文档、工程资料或者企业级 Agent 的团队而言，真正可靠的实现方式并不是让大模型直接处理复杂文件，而是：

让大模型负责理解和规划，让专业的文档 Skill 负责执行和交付。

相关资源

BaseMetas 生产增强版：

• 商业版介绍：https://basemetas.com

BaseMetas FileView预览产品开源版本：

• 产品介绍：https://fileview.basemetas.cn/docs/product/summary

• 在线体验：https://file.basemetas.cn

• GitHub：https://github.com/basemetas/fileview

如果你觉得本文对你有帮助，欢迎分享给更多朋友。后续还会分享更多在线文档Agent 落地的实战经验，敬请关注。