夜雨聆风下午5点50，领导走过来：这80份合同，明天开会要汇总成一张表。
我心想，现在谁还手动复制啊？让AI写段脚本，一句话跑完不就行了？
结果那晚我加班到10点——不是AI不行，是我太天真。翻车3次，每一个都是普通人最容易踩的坑。
一、翻车现场1：PDF扫描件，AI提取了个寂寞
以前：打开每份PDF，肉眼抄关键字段，半天过去眼睛冒火星。
我让AI"把这堆PDF的客户名、金额、日期提取出来"，它很爽快地给了结果。
一看——空了一大半。
原因很简单：这堆里混了扫描件（图片型PDF）。AI直接读文本，读到的全是空气。文本型PDF能提取，扫描件得先OCR（比如Tesseract）转成文字，AI才看得懂。
解法：跑之前先分清文件类型。给AI的指令里写清楚——"先判断是文本PDF还是扫描件，扫描件先用OCR转文字再提取"。别指望它自己发现，它不会主动问你。
二、翻车现场2：跑一半崩了，不知道哪份出了问题
以前：逐份处理，错一份当场就知道。
我一次性把80份丢给脚本，跑到第53份，一个格式报错的旧版.xls直接让整个程序挂掉，前面跑的全白干。
解法：两件事。
第一，给文件操作套上 try-except，遇到报错的文件跳过、记到日志里，其余继续跑（代码见文末骨架）。
第二，正式跑之前，先拿1–2份试水，确认格式都吃得下再上全量。这条能救你半条命。
三、翻车现场3：敏感数据，差点被传上公共工具
以前：U盘拷来拷去，顶多自己累。
图省事，我把带客户信息的合同丢进某个"免费PDF转Excel"在线网站，让AI接着处理。
后来才后怕：这些合同有姓名、金额、甚至身份证号，公共工具等于把公司机密敞开给人看。
解法：含隐私、机密的文件，别用在线公共转换工具。优先本地脚本（python-docx / pdfplumber / openpyxl 都是免费开源库），或者企业级服务。文件少的话，本地跑最稳。
四、关键认知：AI不是"全自动"，是"写骨架+你兜底"
三次翻车复盘完，我明白一件事：
普通人用AI编程处理文档，要的不是"一句话全自动"（那是流量噱头），而是一套可复制的半自动工作流。
分工要很清楚：
- 规则明确的脏活
（日期统一、金额转数值、表头对齐、重复项检测）——交给 Python，又快又稳，别浪费AI的token。 - 只有"理解/判断"的活
（这段备注什么意思、这条该归到哪类、异常原因怎么解释）——才交给 AI。 - 永远保留原文件
，脚本只输出新文件或结果总表，崩了能回滚。
下面这段骨架，是我现在每次处理文档都复用的（占位符改成你的路径即可）：
import os, globfrom openpyxl import Workbook# 1. 遍历文件夹里所有文档（按需增删类型）files = glob.glob("文档/*.pdf") + glob.glob("文档/*.docx") + glob.glob("文档/*.xlsx")results, failed = [], []for f in files:try:# 2. 按类型解析：扫描件先OCR，文本型直接读# 提取逻辑交给你的函数，规则清洗用Python做row = extract_one(f) # 文本/数值对齐、去重在这里完成results.append(row)except Exception as e:failed.append((f, str(e))) # 3. 跳过错误文件并记录，不中断整批continue# 4. 输出新表，绝不覆盖原文件wb = Workbook(); ws = wb.activefor r in results: ws.append(r)wb.save("输出/汇总表.xlsx")# 5. 失败清单，方便补跑with open("输出/失败日志.txt", "w", encoding="utf-8") as log:for f, err in failed: log.write(f"{f}\t{err}\n")
结尾：收藏这4条，下次别再翻车
跑之前先分文件类型，扫描件先OCR再提取。 套 try-except + 错误日志，先试1–2份再全量跑。 敏感文件不上公共工具，优先本地脚本或企业级服务。 规则清洗给Python，理解判断给AI，原文件永远留底。
说白了：AI帮你把"写代码"变快了，但"别把公司数据搞丢、别让80份文档白跑"这种事，还是得你自己兜底。
它是副驾驶，不是自动驾驶。
本文为个人实战经验分享。文中工具名（python-docx、pdfplumber、openpyxl、pandas、Tesseract）均为公开开源项目，未作商业评价。全文未引用外部统计数字，仅作方法参考，不构成任何建议。
