GPT-5.1 读不清复选框:多表单提取项目踩坑实录,准确率卡在 80%
ComfortableThought55 · reddit · 2026-11-20
一位开发者分享用 GPT-5.1 构建多表单文档提取自动化的完整踩坑过程。
难点:一个流程要处理多种版式不同的表单,提取字段多、prompt 庞大。
架构方案:写一个通用指令 prompt,每种表单配一份运行时注入的 spec,目标是新增表单不改 prompt;输出契约同样按此设计。
核心问题:模型在最关键的复选框上严重幻觉——PDF 页面以图片发送,GPT-5.1 默认缩小图片,小复选框几乎消失。
修复思路:
- 用 Tesseract OCR 扫描每页页脚定位复选框所在页,按 spec 坐标裁剪该区域,放大锐化后作为额外图片发给模型
- OCR 找不到页面时回退到整页,幻觉无法通过 prompt 消除
- 从精确匹配改为模糊匹配,挽回约 20% 失败
现状:shadow mode 上线 10 天,准确率约 80%;OCR 约 30% 的运行会漏掉目标页,是幻觉的主要来源。作者感叹 prompt 调优之痛——修好一个 PDF 另一个就坏,同一 PDF 跑 5 次仍可能出问题,并向社区征求可靠读取小复选框、替代 OCR 定位页面的方案(如用小模型先识别表单类型)。
「编程与Agent」频道最新
- 亚马逊 CompoundingKernel:自进化 Agent 写 GPU 核冲上榜单第一 — AmazonScience · 2026-11-20
- 独立开发者用 Fable 5.2 参考开源 bot 代码,搭出串联 X 与 Meta 数据的个人 Bot — yihui_indie · 2026-11-20
- Clairvoyance 0.91 发布:内置 Agentic 浏览器供 Claude、Codex 操作 — draginol · 2026-11-20
- 本地模拟 OpenAI/Anthropic API:emulate 工具零成本测试 AI 应用 — cramforce · 2026-11-20
- 学生自研 MendAgent:多 Agent 系统自动修复微服务故障 — ExpressionOne8668 · 2026-11-20
- 开发者吐槽在 n8n 接入 Google 新模型太折腾,转向 OpenRouter 统一调用 — ColleenMBrady · 2026-11-20