WPS AI 的“AI 全文总结”和“文档问答”能快速提炼 PDF，回答还会标注原文出处

WPS AI 的“AI 全文总结”和“文档问答”能快速提炼 PDF，回答还会标注原文出处。但摘要里的数字仍然可能写错、张冠李戴或标错页。 这篇做 summary_check.py：逐句提取摘要中的数字，核对它是否出现在原 PDF 中、是否在所标的页上、是否属于同一个指标。

先看清成品

• 我写的“摘要”中埋了 3 处错误，全部被找出：16.8（原文 18.6）、毛利率标为第 1 页（实际在第 2 页）、15%（原文没有）。
• “研发投入 20 万元”：20 在原文中出现过，但研发投入其实是 150，通过上下文检查被发现。
• 修复了一个误报：“线上渠道收入 760”被“营业收入 1,280”误判。pytest 5 项通过。

合规提醒：WPS AI 需要登录 WPS 账号，在官方客户端或网页版中使用，功能、次数和会员权益以官方说明为准（本文不列价格）。本文不调用任何非官方接口，也不自动化操作 WPS；脚本只在本地检查你自己的文件。把公司文档交给 AI 处理之前，请确认符合公司的数据安全规定。示例数据都是虚构的。

运行说明：box 上没有 WPS 客户端和账号，没有真正调用 WPS AI。本地脚本和测试都在 box 上真实运行过（LibreOffice 25.2.3、poppler-utils、python-pptx 1.0.2、openpyxl 3.1.5）。“AI 生成的”公式、摘要和 PPT 都是我自己写的样例，用来演示核对方法。

做完之后你会得到什么？

需要准备哪些环境？

关键事实

文件结构

69-wps-ai-B-src/
├── summary_check.py
├── report.html
├── summary.txt
└── test_summary.py

第 1 步：生成示例 PDF

soffice --headless --convert-to pdf report.html     # 得到两页的 report.pdf

<html><head><meta charset="utf-8"></head><body>
<h1>2026 年第三季度运营报告（示例，内容为虚构）</h1>
<p>第三季度公司营业收入为 1,280 万元，同比增长 12.5%。其中线上渠道收入 760 万元，占比 59.4%。</p>
<p>本季度新增注册用户 3.2 万人，月活跃用户达到 18.6 万人。客服平均响应时间从 42 秒缩短到 28 秒。</p>
<h2 style="page-break-before: always">二、成本与计划</h2>
<p>营业成本为 905 万元，毛利率 29.3%。研发投入 150 万元，较上季度增加 20 万元。</p>
<p>公司计划于 2026 年 11 月 15 日上线新版会员系统，预计第四季度营业收入达到 1,400 万元。</p>
</body></html>

第 2 步：示例摘要（故意带错误）

第三季度营业收入 1280 万元，同比增长 12.5%（第1页）。线上渠道收入占比 59.4%。
新增注册用户 3.2 万人，月活跃用户 16.8 万人（第1页）。毛利率为 29.3%（第1页）。
新版会员系统将于 2026 年 11 月 15 日上线；第四季度营业收入预计 1,400 万元，同比增长 15%。

第 3 步：核对脚本

"""核对 WPS AI“AI 全文总结 / 文档问答”给出的摘要：摘要里的每个数字、百分比、日期，是否真的出现在原 PDF 中；
摘要标了“（第N页）”的，再核对是否出现在那一页。WPS AI 的回答会标注引用出处，可以点击跳转核对，
这个脚本把核对过程变成可以重复执行的检查。依赖 poppler-utils 的 pdftotext / pdfinfo。"""
import argparse, re, subprocess, sys

NUM = re.compile(r"\d[\d,]*(?:\.\d+)?%?")
CJK = r"[\u4e00-\u9fff，。、；：（）%]"

def pages(pdf):
    n = int(re.search(r"Pages:\s+(\d+)", subprocess.run(["pdfinfo", pdf], capture_output=True, text=True).stdout).group(1))
    out = []
    for p in range(1, n + 1):
        t = subprocess.run(["pdftotext", "-f", str(p), "-l", str(p), "-layout", pdf, "-"], capture_output=True, text=True).stdout
        out.append(t)
    return out

def norm_num(s): return s.replace(",", "")

def numbers(text):
    return [norm_num(m.group()) for m in NUM.finditer(text)]

FILLER = ("为", "是", "达到", "约", "预计", "达", "共", "了", "到")

def keyword_before(text, pos):
    """数字前面紧挨着的 2 个汉字（跳过“为、达到、约”等虚词），作为上下文关键词。"""
    head = re.sub(r"\s+", "", text[:pos])
    changed = True
    while changed:
        changed = False
        for f in FILLER:
            if head.endswith(f): head = head[: -len(f)]; changed = True
    m = re.search(r"([\u4e00-\u9fff]{2,4})$", head)
    return m.group(1) if m else None          # 最多 4 个字，检查时再按 4→3→2 字缩短

def numbers_after(texts, kw):
    """在所有页面中找关键词的**每一次**出现，取它后面的第一个数字。关键词从 4 个字开始，找不到就逐步缩短到 2 个字。
    （第一版只看第一次出现：“线上渠道收入 760”被“营业收入 1,280”误判。）"""
    flat = [re.sub(r"\s+", "", t) for t in texts]
    for L in range(len(kw), 1, -1):
        k = kw[-L:]; got = []
        for f in flat:
            for m0 in re.finditer(re.escape(k), f):
                m = NUM.search(f, m0.end())
                if m: got.append(norm_num(m.group()))
        if got: return k, got
    return kw, []

def claims(summary):
    """按句切分，每句提取数字和页码标注。"""
    res = []
    for sent in re.split(r"(?<=[。；！？])", summary):
        if not sent.strip(): continue
        cited = [int(x) for x in re.findall(r"第\s*(\d+)\s*页", sent)]
        body = re.sub(r"（第\s*\d+\s*页）", "", sent)
        nums = [(norm_num(m.group()), keyword_before(body, m.start())) for m in NUM.finditer(body)]
        res.append({"sentence": sent.strip(), "pages": cited, "numbers": nums})
    return res

def check(pdf, summary):
    texts = pages(pdf); page_nums = [set(numbers(t)) for t in texts]; out = []
    for c in claims(summary):
        for n, kw in c["numbers"]:
            found = [i + 1 for i, s in enumerate(page_nums) if n in s]
            if not found: out.append(("NOT_FOUND", n, c["sentence"], [])); continue
            if c["pages"] and not set(c["pages"]) & set(found): out.append(("WRONG_PAGE", n, c["sentence"], found)); continue
            # 上下文：原文中关键词后面的第一个数字，应该就是这个数字
            if kw:
                k, seen = numbers_after(texts, kw)
                if seen and n not in seen: out.append(("CONTEXT", n, c["sentence"], [k] + seen))
    return out

def main(argv=None):
    ap = argparse.ArgumentParser(); ap.add_argument("pdf"); ap.add_argument("summary"); a = ap.parse_args(argv)
    res = check(a.pdf, open(a.summary, encoding="utf-8").read())
    for kind, n, sent, found in res:
        if kind == "CONTEXT":
            print(f"[上下文不符] {n}：原文“{found[0]}”后面的数字是 {found[1:]}  ← {sent}"); continue
        print(f"[{'原文中没有' if kind == 'NOT_FOUND' else '页码不对'}] {n}" + (f"（实际在第 {found} 页）" if found else "") + f"  ← {sent}")
    print("所有数字都能在原文找到" if not res else f"{len(res)} 处需要核对")
    return 1 if res else 0

if __name__ == "__main__":
    sys.exit(main())

第 4 步：测试

import shutil, pytest
import summary_check as S

pytestmark = pytest.mark.skipif(not shutil.which("pdftotext"), reason="需要 poppler-utils")

def kinds(text): return [(k, n) for k, n, _, _ in S.check("report.pdf", text)]

def test_planted_errors():
    assert kinds(open("summary.txt", encoding="utf-8").read()) == [("NOT_FOUND", "16.8"), ("WRONG_PAGE", "29.3%"), ("NOT_FOUND", "15%")]

def test_comma_and_true_claims():
    assert kinds("第三季度营业收入 1280 万元，同比增长 12.5%（第1页）。毛利率 29.3%（第2页）。") == []

def test_context_mismatch():
    # 20 在原文中出现过（“增加 20 万元”），但研发投入其实是 150
    assert kinds("研发投入 20 万元（第2页）。") == [("CONTEXT", "20")]
    assert kinds("研发投入较上季度增加 20 万元。") == []

def test_every_occurrence_of_keyword():
    # 调试时发现：只看“收入”的第一次出现（营业收入 1,280），把正确的“线上渠道收入 760”误报了
    assert kinds("线上渠道收入 760 万元。") == []

def test_known_limitation_from_to():
    # “从 42 秒缩短到 28 秒”：用旧值 42 当作现值，本工具查不出来
    assert kinds("客服平均响应时间为 42 秒。") == []

第 5 步：运行

$ python summary_check.py report.pdf summary.txt
[原文中没有] 16.8  ← 新增注册用户 3.2 万人，月活跃用户 16.8 万人（第1页）。
[页码不对] 29.3%（实际在第 [2] 页）  ← 毛利率为 29.3%（第1页）。
[原文中没有] 15%  ← 第四季度营业收入预计 1,400 万元，同比增长 15%。
3 处需要核对
$ python -c "import summary_check as S; print(S.check('report.pdf','研发投入 20 万元（第2页）。'))"
[('CONTEXT', '20', '研发投入 20 万元（第2页）。', ['研发投入', '150'])]
$ python -m pytest -q
5 passed

怎么检查结果？

• 每一条提示都回到 PDF 对应的页核对。
• 1280 和 1,280 被视为同一个数字。
• 输出“所有数字都能在原文找到”只说明数字有出处，不代表摘要没有遗漏重点。

调试示例

1. 只匹配数字会漏掉张冠李戴。 第一版只检查“这个数字是否出现在 PDF 中”。我测试了两句错误的摘要：“研发投入 20 万元”（实际是 150，20 是增加额）和“客服平均响应时间为 42 秒”（42 是旧值，现在是 28），两句都通过了。

改进：取数字前面紧挨着的 2～4 个汉字（跳过“为、达到、约”等虚词）作为关键词，再检查原文中这个关键词后面的第一个数字是否就是这个数字。“研发投入 20”因此被发现。

2. 改进之后出现误报。 正确的“线上渠道收入 760 万元”被报错，原因是关键词“收入”在原文中第一次出现在“营业收入为 1,280”里。修复：查找关键词的每一次出现，并优先使用更长的关键词（4 字 → 3 字 → 2 字）。

仍然存在的局限： 对于“从 42 秒缩短到 28 秒”这种结构，用旧值 42 冒充现值的错误查不出来（测试 test_known_limitation_from_to 记录了这一点）。中文数字（如“三季度”）也不检查。

常见问题

模板规则

• 摘要中的每个数字都要有出处。
• 标了页码的要核对页码。
• 工具查不到问题，不等于摘要完全正确。

项目资源

用 WPS AI 节省阅读时间，再用脚本把数字核对一遍。