这篇博客总结了一个聊天型AI Agent的文件分析模块从上传到生成结构化数据的完整链路。核心结论是：文件分析不是一步到位的OCR，而是一个分层加工的过程，每一层解决不同的问题。

作者从实际项目出发，新建了一个干净的TypeScript项目，只复刻文件分析链路，不涉及聊天和入库，便于观察每一层的输出。

整体流程为：文件上传 -> 文件解析/OCR -> 页面文字拼接 -> LLM结构化抽数 -> JSON格式校验 -> 业务数据清洗 -> 提供给Agent继续对话。

第一层：文件解析决定如何获取文字
并非所有文件都需要OCR。TXT、CSV、Word、Excel以及有文字层的PDF可以直接提取文字；图片和扫描版PDF才调用PaddleOCR。PDF提取文字时如果内嵌文字少于30个字符，会退回到OCR。本地解析优先，速度快且减少OCR识别错误。

第二层：PaddleOCR将图片变成文字
只负责读取页面上的字符，返回分页结果，包括每页的识别文本和置信度。置信度表示OCR对页面文字的把握，不表示业务字段的准确性。

第三层：拼接文字并截断
将非空页面按顺序拼接成一段纯文本，为避免模型上下文溢出，只发送前12000个字符。这一步决定了LLM看到的内容质量——OCR的错误会直接传递到LLM。

第四层：通过Prompt要求LLM返回结构化JSON
Prompt中明确字段、枚举、对象结构，并要求只输出JSON，不解释，不猜测。返回结果包含candidate数组（人物、公司、小区等）和extractedFields（姓名、身份证等）。candidate通过slots将多个字段绑定到同一实体，防止后续拼接错误。

第五层：LLM返回JSON后不能直接使用
即使开启response_format: { type: "json_object" }，模型返回的JSON结构仍可能不符合业务要求。例如字段位置错误、类型不对等。需要服务端进一步校验。

第六层：使用Zod约束数据结构
定义Zod Schema对LLM的原始输出进行safeParse。首次接入严格校验立刻发现了模型将archiveDocument放在顶层而非extractedFields内的问题。Zod只检查结构正确性，不检查内容真实性。

第七层：业务清洗弥补Zod的不足
Zod通过后还需要服务端处理：去重、转大写、移除空白/连字符、检查关系两端是否存在、防止孤立字段自动关联、避免重复候选等。最终生成normalizedInsight。

第八层：通过接口观察每一层中间结果
提供一个POST /files/analyze接口，返回pages/parsedText、llmRawText、llmRawOutput、normalizedInsight、wouldPersist等字段。调试时可以直接对照OCR文字、LLM原始输出和服务端清洗结果，快速定位问题。

总结：文件分析的每一层职能清晰
【文件解析器】决定如何拿到文字
【PaddleOCR】负责扫描件转文字
【LLM】从文字中抽取结构
【Zod】拦截错误数据结构
【业务清洗】决定数据能否真正使用

最容易产生的误解是认为LLM输出JSON就等于已经结构化。实际上它只是“模型认为的结构化数据”，必须经过服务端校验才能进入Agent。

后续章节计划：文件结果如何进入聊天上下文、用户追问时关联最近文件、以及从文件中生成安全候选池。

## 前言

最近一直在做一个聊天类型的`AI Agent`，希望用户在聊天框上传流水、征信、身份证

Agent 第一章：文件识别、LLM 抽数与 Zod 校验

作者分享了一次面试经历，时隔六年重新进入该领域，感谢猎头引荐。面试分为多轮，内容涵盖广泛技术话题。

一面涉及前端基础知识，包括Vue、React和JavaScript的常见问题。具体问题有数组去重，要求将对象a和b视为相同，使用「new Set([a,b])」但需处理对象相等，讨论时间复杂度和优化至O(1)。箭头函数的this绑定时机和可变性，Object.__proto__与Object.prototype.__proto__的区别，浏览器对ESM语法的支持，Promise链式调用，Vue与React的技术选型考量，前端设计模式，图片和组件懒加载实现，虚拟列表的元素复用原理，以及项目场景题。手撕代码部分包括实现加减法计数器、DOM结构逐层输出、用原生代码实现虚拟列表，以及PromiseAll的实现。

【噩梦般的二面】为压力面试，问题快速且深入。涉及项目中为什么使用SSE而非WebSocket或传统轮询，选择Flutter而非Uniapp的原因，Flutter性能优势，如何查看Flutter Widget信息，Get插件的底层原理和MVVM管理，以往项目中使用Node的原因，Flutter混入小程序项目及网络更新方法，Uniapp混入小程序和网络更新实现，以及硬件项目中蓝牙模块UID重复问题的解决。

三面较为轻松，主要考察Node和AI编程。问题包括是否了解Vibe Code，使用AI辅助编程工具的经历和遇到的问题，Nodejs单进程高并发实现原理，JavaScript V8垃圾回收机制，CORS Option字段的作用，TCP队头堵塞问题，UDP的使用和优势，如何使用Nest做微服务，搭建Nest完整项目框架的方法，业务接口拆分策略，简历中从MySQL切换到MongoDB的原因，以及选择全栈开发的理由。

四面讨论薪资、岗位评级和公司福利等非技术性话题。

最后，作者因数据库方面表现不佳，面试岗位从P6下调至P5，但对此结果满意，目前正在等待HC结果。

年少不可得之物没想到在6年后重新踏入了它的大门，非常感谢猎头的引荐。

下面所有面经不分先后想到哪写

工作随笔

Agent 第一章：文件识别、LLM 抽数与 Zod 校验

逸仙电商-金融事业部（P5）泛前端面经

推荐

分类目录