Document Classifier

分类规则与目标目录

系统需要将原始文件分发到如下几个目标目录，如果目标目录不存在，脚本将自动创建它们：

1. 采购发票 (AP Invoices)

• 特征：标准的增值税专用/普通/数电发票，买方是我们公司，来自供应商。
• 判断条件：
  • 发票的 buyer.tax_id 等于我们 company.json 中的 tax_id。
  • 或者 buyer.name 是我们公司。
  • 且不是报销类发票（见下方报销分类）。
• 目标目录：input/ap-invoices/
• 重命名格式：YYYY-MM-DD_对方名称(卖方)_发票金额.扩展名

2. 报销发票 (Reimbursement)

• 特征：员工垫付后拿来报销的发票。与普通 AP 的区别是业务归属不同，审计时需要单独追踪。
• 判断条件（满足任一即倾向报销分类）：
  • 🚗 交通类发票：火车票、机票、出租车/滴滴发票、高速通行费
  • 🏨 住宿类发票：酒店住宿发票
  • 🍽️ 餐饮类发票：餐饮服务发票（尤其是小额的）
  • 👤 买方是个人：发票买方名称不是公司而是个人姓名
  • 📎 小额零散：多张小金额发票（看起来像一次出差的一组票据）
• 拿不准时：如果特征不明显（如一张普通办公用品发票），默认归为 AP，在 review_reason 中标注"可能是报销，请确认"。
• 目标目录：input/reimbursement/
• 重命名格式：YYYY-MM-DD_费用类型_金额.扩展名（如 2024-01-15_滴滴出行_35.00.jpg）

3. 销售单据 (AR Documents)

• 特征：开给他人的发票，或者客户的聊天记录截屏（说"款已付"、"请发货"等能够作为业务凭证的内容）、销售合同截图。
• 判断条件：
  • 发票的 seller.tax_id 是我们公司。
  • 或者截图内容明显是在与客户沟通销售业务、确认收款。
• 目标目录：input/ar-documents/
• 重命名格式：YYYY-MM-DD_客户名称_金额摘要.扩展名

4. 银行/支付流水 (Bank Statements)

• 特征：从微信支付、支付宝、银行网银下载的对账单文件（通常是 *.xlsx 或 *.csv），或者网银流水的全屏长截图。
• 目标目录：input/bank-statements/
• 重命名格式：YYYY-MM_支付渠道或银行名_流水.扩展名 (如 2024-01_微信支付_流水.xlsx)

5. 文章/资讯摘录 (Articles)

• 特征：微信公众号文章截图、网页文章长截图等，非流水/财务类的知识性记录。
• 目标目录：input/articles/
• 重命名格式：YYYY-MM-DD_发布平台或作者_文章标题.扩展名

6. 待确认或无法识别 (Unclassified)

• 特征：模糊不清的图片、无法提取出日期/金额/对方信息的图片、完全无关的家常聊天等。
• 目标目录：input/unclassified/
• 动作：在 JSON 报告中标注 needs_review: true 及原因。

报告 JSON 格式 (Classification Report)

你在分析完所有文件之后，必须生成此格式的 JSON 数组：

type ClassificationReport = {
  classified_at: string;            // 分类执行时间 "YYYY-MM-DD HH:mm"
  files: Array<{
    original_filename: string;      // 原始文件名，如 "IMG_1234.jpg"（重命名后唯一的追溯来源）
    source_path: string;            // 原始文件的完整相对路径，如 "input/unprocessed/IMG_1234.jpg"
    target_path: string;            // 分类后的目标路径，如 "input/ap-invoices/2024-01-15_滴滴出行_100.00.jpg"
    document_category: "ap-invoice" | "reimbursement" | "ar-document" | "bank-statement" | "article" | "unclassified";
    identified_info: {
      date: string;                 // 识别到的单据日期 "YYYY-MM-DD"
      counterparty: string;         // 对方名称（如供应商、客户、公众号名）
      amount_hint: string;          // 金额或关键数值提示，没有则空
      summary: string;              // 内容概要（1句话描述），方便后续查找
    };
    needs_review: boolean;          // 是否因为模糊/歧义需要人工确认
    review_reason: string;          // 为什么需要确认（无需确认时为空字符串）
  }>;
};

关于原始文件名追溯：文件被移动并重命名后，original_filename 是唯一的追溯途径。 采用 Move + Rename（而非 Copy）的原因：避免文件翻倍占空间、避免管理额外的"原始归档目录"。 JSON 报告本身即为审计台帐，保留了完整的 原名 -> 新名 -> 分类结果 映射。

示例流程对话

User: 请帮我把 input/unprocessed 里刚才发的东西理一下。 Agent:

1. 读取 input/unprocessed 发现 7 个文件。
2. 逐一看图发现：
   • 1个办公耗材发票（买方是我们公司）→ AP 发票
   • 1个滴滴打车发票 → 报销
   • 1个全季酒店住宿发票 → 报销
   • 1个火车票 → 报销
   • 1个跟客户聊天的转账截图 → AR 单据
   • 1个微信支付账单 xlsx → 银行流水
   • 1个长截图是公众号讲税法的文章 → 文章归档
3. 生成 output/classification/report_2024-01-15_143052.json。
4. 运行 move-files.ts 完成转移重命名。
   • "已完成分类！1 张采购发票，3 张报销发票，1 份销售单据，1 份银行流水，1 篇文章归档。"
   • "3 张报销发票（滴滴+酒店+火车）看起来像同一次出差，后续可批量提取并走报销流程。"
   • "是否现在对采购发票调用 invoice-extraction 进行信息提取？"