skywork agent 不擅长直接解析 pdf 表单，因其缺乏 document layout analysis 模型和表单域识别能力；应采用 xparse（或 pdfplumber）先行结构化解析，再由 skywork 执行清洗、脱敏、命名与导出等后续操作。
☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 多模态理解力帮你轻松跨越从0到1的创作门槛☜☜☜
直接用 Skywork Agent 处理 PDF 表单，效果常不理想——它专长在图片处理与本地多任务串联，但原生不主打 PDF 结构化解析。真正高效提取表单数据，得靠“精准拆解 + 工具链协同”：先让专业解析器把 PDF 表单转成结构化中间态（如 JSON 或表格），再由 Skywork 接管清洗、校验、重命名、导出等后续动作。
为什么不能直接让 Skywork 解析 PDF 表单？
Skywork 的核心能力聚焦于图像理解、本地脚本生成与多步骤条件流程，其底层未集成 Document Layout Analysis（DLA）模型或 PDF 表格语义识别模块。面对带合并单元格、跨页字段、手写签名区或扫描件的表单，它缺乏对逻辑字段位置、表单域（Form Field）绑定关系、填空式布局的识别能力。强行输入“提取所有姓名和身份证号”，大概率返回错位文本或漏项。
推荐组合方案：xParse + Skywork 双阶段流水线
把工作拆成两段，各用最合适的工具：
- 第一阶段（解析）：用 TextIn xParse 或 pdfplumber 批量将 PDF 表单转为结构化数据。xParse 对扫描件/OCR后PDF支持更好，能还原表单域名称（如 applicant_name）、值、坐标和置信度；pdfplumber 更适合原生可选中文本的电子表单，可精准提取表格区域并输出为 pandas DataFrame。
- 第二阶段（处理）：将解析结果（CSV/JSON/Excel）喂给 Skywork Agent，用自然语言指令驱动后续操作。例如：“把 output_data.csv 中所有身份证号脱敏（前6后4），日期列统一转 YYYY-MM-DD，按‘部门_序号’重命名文件，导出为 dept_forms_cleaned.xlsx”——这正是 Skywork 擅长的格式转换+语义化命名+本地执行。
实操建议：三步落地不踩坑
- 预处理加一层质量过滤：上传前用 Skywork 的“图像质检”Skill快速筛查：是否为纯白页、是否含大面积模糊水印、是否加密。提前剔除无法解析的文件，避免阻塞整批流程。
- 字段映射用 CSV 做桥梁：不要依赖 Agent 自动猜字段。先用 xParse 导出一份带原始字段名的 mapping.csv（例：PDF 中显示“申请人姓名” → 解析后字段名 app_name_zh），再把这个映射表作为上下文传给 Skywork，确保清洗逻辑准确锚定目标列。
- 失败项自动归档+人工复核入口：设置 Skywork 流程中加入判断节点——当某行身份证号校验失败（如长度不对、校验码错误），自动写入 error_log.csv 并单独存入 /failed/ 文件夹。同时生成简明摘要报告，标出需人工介入的条目和原因。
不复杂但容易忽略：表单自动化不是选一个“全能Agent”，而是让每个工具干它最熟的活。解析交给 xParse，流转交给 Skywork，人只盯关键异常——这才是真实场景下跑得稳、改得快、审得清的路径。
