手写收货单转Excel
入库凭证AI提取，潦草字迹也能处理

可以，但准确率取决于字迹衰减的具体程度。视觉大模型的优势在于它不是逐像素比对字符，而是理解整张单据的版面结构和字段语义——即使复写纸第三联的部分手写字迹已经淡至肉眼勉强可读的程度，AI仍能结合物料名称的上下文、编码格式规律、数量范围的合理预期做出推断。这和人工阅读的原理相似：你看到"实收数量"栏里有个模糊的数字痕迹，结合旁边"物料名称"写的"6mm螺栓"，就能推断那个数字不是"60"而是"6"。

但如果字迹完全消失变成空白，任何AI都无法凭空补全——字段会在输出Excel中留空。建议拍摄时优先用第一联（白联），颜色对比度最高，识别效果最稳定。如果只能拿到复写纸多联单中的较淡一联，处理完后对模糊字段做重点抽查就行。

这就是传统OCR和视觉大模型的核心差异。传统OCR把物料编码"YQ-2024-6B"拆成12个孤立字符逐个比对，手写"6"→"9"就是不可逆的错误。视觉大模型读取的是整行物料信息的语义块——编码、名称、规格、数量作为一个整体理解。如果你同时提取"物料编码"和"物料名称"，当编码中的某个手写字符模糊时，AI可以交叉参照同行的物料名称（如"6mm不锈钢螺栓"）来推断编码中那个模糊字符是"6"而不是"9"。

一个实用建议：列名中同时包含"物料编码"和"物料名称"——两个字段相互验证，比单字段提取准确率高得多。对于完全孤立、没有任何上下文线索的手写编码（如系统外临时编的号），建议处理完后人工抽查确认。

视觉大模型能处理一定程度的潦草手写，但效果与字迹的规范程度直接相关。清晰的楷书和工整的行书准确率很高；轻度潦草（笔画有简化但结构可辨识）也能处理，部分字段可能需要抽查；重度草书或涂抹改写——连有经验的仓管员都要猜几秒才能确认——AI的准确率会明显下降。

这不是技术局限，而是信息本身已经退化：如果人类专家都无法从字迹中确定读出信息，AI当然也不行。如果仓库长期面临供应商开单潦草的问题，建议逐步推行"开单正楷化"——这不仅是自动化工具的需要，也是仓库管理规范化的基本要求。半印刷半手写的混合单据（表头印刷、手写填入）的准确率高于全手写单据。

通过计算列功能，在提取手写入库单数据的同时自动完成收订核验。你只需要在列名中分别输入"实收数量"和"订购数量"，再加一列"数量差异（实收数量−订购数量）"——AI提取时同步执行减法运算，结果直接填入差异列：正数代表供应商多送了，负数代表少送了，零代表完全一致。

这种方式比传统的"先提取完整Excel再用VLOOKUP匹配PO表然后手动减"省了两个步骤。需要注意的是，计算列的准确性取决于"实收数量"和"订购数量"两个源字段的识别准确率——如果源字段读错了，计算结果也跟着错。所以仍然建议对差异不为零的行抽查原始单据。计算列有两种写法：列名写法（无需登录，demo可直接体验，如"数量差异（实收−订购）"）和Rule Format（登录用户，适合更复杂的多步推导）。

不需要。这正是自定义列名提取的核心价值——你不需要为每家供应商画框、设坐标、配模板。你只需输入一次目标列名，如"供应商名称、入库单号、物料编码、实收数量、批次号"，AI根据字段语义含义在每张手写入库单上分别找值——不管A供应商用的是竖版三联单、B供应商用的是横版二联单，还是C供应商自己打印的格式。输出Excel的列名就是你定义的，所有供应商数据合并到同一套表结构中。