财务专用发票识别

要解决什么问题

财务侧常要把数电发票从 PDF、扫描件或零散文本整理进 Excel 台账，手工抄录容易漏字段、重复录入，还容易误改历史行。本技能把「识别 → 结构化 → 追加台账 → 汇总汇报」串成一条可重复执行的流程，并明确只追加、不覆盖。

如何工作

• 输入范围：支持单文件或目录；目录默认只处理当前层（--input-dir 不递归），若用户要求含子目录，则对每个含支持文件的目录分别跑一遍，写入同一份台账后汇总。
• 识别策略：优先解析 PDF 原生文本；无文本或文本识别未通过的页面才回退 OCR。按文件/页面分流，已通过文本的页面不再调用 OCR。
• 台账来源：读取 config/user_settings.local.yaml 中的 draft_ledger；无效或用户指定时，用其提供的文件夹或 .xlsx 路径，经安装器创建或登记。根目录的 发票采集台账.xlsx 仅作新建模板，不是日常工作簿。
• 执行节奏：先 --check-only 预检（不跑 OCR、不改 Excel）；再正式识别写入。普通场景用 config/runtime_ocr_auto.yaml，按需 OCR 并自动选 GPU/CPU。
• 结果口径：以每次运行的 JSON 摘要汇总 recognized_invoices、added_rows、skipped_duplicate_rows 及待复核/失败单元；细节以 Excel「识别提示」表为准。

边界与注意

• 不支持 OFD，需从电子税务局数字账户下载 PDF 版式。
• 无依据的字段保持空或待复核，不猜测发票号、购销方、金额税额与明细。
• 禁止使用 --replace-existing / --update-existing；环境未通过预检（如返回码 3 需先装 OCR）时，应保留真实错误，不假装写入完成。