tender-extract

面向中文采购 / 招投标文档的结构化抽取工具。

规则与结构抽取优先，低置信字段可选 LLM 复核；输出保留页码、原文与 PDF 坐标证据。

先看它能得到什么

仓库里的 examples/example.pdf 是一份 10 页政府采购文件。当前流水线可以从中得到类似下面的结构化结果：

项目名称    合肥市公安局瑶海分局雪亮工程支网一期、二期、三期运维服务采购项目
项目编号    2024BFFFZ01583
采购人      合肥市公安局瑶海分局
金额        437.677万元
日期        2024年7月1日17时30分
联系电话    055166223642

它不是简单的 key: value。字段可以同时保留来源证据：

{
  "project_number": {
    "primary_value": "2024BFFFZ01583",
    "confidence": 0.99,
    "values": [
      {
        "location": {
          "document_id": "example.pdf",
          "page": 1,
          "source_text": "项目编号：2024BFFFZ01583"
        }
      }
    ]
  }
}

对于能够可靠定位的 PDF 文本，还可以保留页面坐标，因此上层系统可以继续实现：

字段 → 来源文件 → 页码 → 原文片段 → PDF 坐标 / 高亮

最快开始：Docker

直接使用最新发布镜像，不需要先准备 Python 环境：

IMAGE=ghcr.io/inupedia/tender-extract-server:latest

docker pull "$IMAGE"
docker run --rm \
  -p 8000:8000 \
  -v tender-extract-cache:/data/cache \
  "$IMAGE"

上传一份 PDF：

curl -s \
  -F "file=@example.pdf" \
  "http://localhost:8000/v1/extract?llm_provider=none"

启动后可直接打开 http://localhost:8000/docs 查看 OpenAPI 文档。

latest 适合快速体验和跟随最新正式版本。生产环境需要可复现部署时，建议固定到 ghcr.io/inupedia/tender-extract-server:<version>。Git tag vX.Y.Z 会发布 Docker tag :X.Y.Z，并同步更新 :latest。

查看 GHCR 镜像版本

抽取流程

PDF / DOCX / Markdown / TXT
            │
            ▼
      文档解析与分块
            │
            ▼
      规则 / 结构抽取
        │           │
   高置信直接输出   低置信 / 冲突 / 缺失
        │           │
        │           ▼
        │        LLM 复核
        │           │
        └─────┬─────┘
              ▼
        合并 + 证据定位
              │
              ▼
        结构化 JSON

默认先用规则与结构化方法完成可确定字段；只有低置信、冲突或缺失字段才进入可选的 LLM 复核流程。

核心能力

能力	做什么
混合抽取	规则、词典、NER 与可选 LLM 复核组合使用
证据定位	保留文件、页码、原文片段，PDF 可进一步保留 bbox
项目级多文件	招标文件、补遗、澄清、多个投标人文件统一处理，同时保留版本与投标人边界
人工复核	接受、修改、驳回低置信结果，并回流为标注数据
质量评测	Precision / Recall / F1 与 CI 质量门禁
多种入口	Python CLI、HTTP API、Docker / GHCR

当前支持

项目	支持情况
文档格式	PDF、DOCX、Markdown、TXT
扫描件	可选 OCR；轻量 Server 镜像默认不内置 PaddleOCR
LLM	OpenAI、Azure OpenAI、Claude、Gemini、DeepSeek、通义千问、Kimi、GLM、Doubao、SiliconFlow、OpenRouter、Groq、Together、Mistral、xAI、NVIDIA NIM、Ollama、vLLM、LM Studio，以及任意 OpenAI-compatible endpoint
隐私	默认不返回敏感个人信息；HTTP 服务可选 API Key

HTTP 服务

GET  /healthz        健康检查
GET  /v1/info        版本与能力
GET  /v1/providers   Provider 发现与配置元数据
POST /v1/extract     上传文档并返回结构化结果

给服务增加 API Key

IMAGE=ghcr.io/inupedia/tender-extract-server:latest

docker run --rm -p 8000:8000 \
  -e TENDER_SERVER_API_KEY=your-secret \
  "$IMAGE"

调用时增加：

X-API-Key: your-secret

在容器中启用 LLM Provider

以 DeepSeek 为例：

IMAGE=ghcr.io/inupedia/tender-extract-server:latest

docker run --rm -p 8000:8000 \
  -e DEEPSEEK_API_KEY=your-key \
  -e TENDER_SERVER_LLM_PROVIDER=deepseek \
  -e TENDER_SERVER_LLM_MODEL=deepseek-chat \
  -v tender-extract-cache:/data/cache \
  "$IMAGE"

SiliconFlow、OpenAI、Gemini、Claude 等 Provider 只需替换 provider/model 与对应环境变量。也可以通过 X-LLM-API-Key 为单次 HTTP 请求提供上游模型密钥。

本地 CLI

要求 Python 3.12+。

git clone https://github.com/Inupedia/tender-extract.git
cd tender-extract

uv sync --extra pdf
uv run tender-extract extract examples/example.pdf --out out

批量处理目录：

uv run tender-extract extract ./documents --pattern "*.pdf" --out out

LLM 复核（可选）

LLM Provider 不绑定 SiliconFlow。内置 Registry 覆盖主流云模型、本地运行时和任意 OpenAI-compatible endpoint：

uv run tender-extract providers

例如 DeepSeek：

export DEEPSEEK_API_KEY=your-key

uv run tender-extract extract examples/example.pdf \
  --llm deepseek \
  --model deepseek-chat \
  --out out

任意 OpenAI-compatible 服务：

uv run tender-extract extract examples/example.pdf \
  --llm openai_compat \
  --base-url http://127.0.0.1:8000/v1 \
  --model Qwen/Qwen3-8B \
  --out out

SiliconFlow Qwen/Qwen3-8B 已完成真实接口验收：冷启动测试 4/4 网络调用成功；同一文档第二次运行 4 次全部命中缓存、0 次新增网络调用。当前这组 live Gold acceptance case 的 Micro F1 / Macro F1 均为 1.000。

这里的 F1 是当前验收样本结果，不代表所有招投标文档上的通用准确率，也不代表其他 Provider 已完成同等 live acceptance。

更完整的 Provider、环境变量、HTTP 和本地模型配置见 docs/llm-providers.md。

一个项目有很多文件

真实项目经常不只有一份 PDF：

某项目/
├── 招标文件.pdf
├── 补遗01.pdf
├── 澄清01.pdf
├── A公司投标文件.pdf
└── B公司投标文件.pdf

tender-package 可以把它们作为一个项目处理，并管理版本替代关系与投标人隔离：

uv run tender-package validate package.yaml
uv run tender-package extract package.yaml --out out/package.json

补遗中的新值可以覆盖对应旧值，但历史证据仍然保留；A 公司的字段也不会覆盖 B 公司。

详见 docs/tender-package.md。

人工复核与质量闭环

uv run tender-review run examples/example.pdf --queue .review/queue.jsonl
uv run tender-review export --queue .review/queue.jsonl --out eval/gold-reviewed.jsonl
uv run tender-extract eval eval/gold-reviewed.jsonl

CI 也可以直接设置最低 F1：

uv run tender-extract eval eval/gold.jsonl --fail-under 0.95

真实文档验收如何复现

仓库提交了一套真实采购 / 招投标 PDF 验收集，覆盖安徽、北京、陕西、河南、上海等地区，共 13 份 / 911 页。当前 GitHub Actions 基准在关闭 LLM 时记录为：

指标	结果
文档	13 份
页数	911 页
总耗时	26.31 秒
吞吐	34.62 页/秒
运行失败文档	0

速度来自 GitHub Actions。硬件、OCR、存储和 PDF 版式都会影响实际吞吐。

来源 URL、页数与 SHA256 记录在 examples/public-corpus.lock.json。复现：

uv run python scripts/acceptance_corpus.py \
  --examples examples \
  --min-pdfs 13 \
  --report artifacts/real-pdf-acceptance.json

文档

• LLM Provider 配置
• 证据定位
• 项目级多文件处理
• 人工复核
• 质量评测

许可证

MIT