BaseMetas IDP 三大文档能力及其在 Agent 应用中的落地方案

​在企业办公、合同管理、知识库、档案管理和云文档等系统中，文件既是业务信息的主要载体，也是 Agent 执行真实任务时必须面对的对象。

用户可以直接向 Agent 提出：

• 打开这份合同，定位付款条款；
• 把一批 Office 文件统一转换成 PDF；
• 合并这些 PDF，并添加“内部资料”水印；
• 提取文档正文，生成摘要并写入知识库；
• 清除 Word 中的批注和修订，生成正式版本。

大模型能够理解这些自然语言指令，但并不适合直接操作复杂的文档文件。文件获取、格式识别、在线预览、格式转换、内容提取和结构修改，仍然需要由稳定、可追踪的专业文档能力完成。

BaseMetas IDP 围绕企业文档处理中的三个基础问题，形成了三类核心产品能力：

1. 文件预览：解决文件能否在线查看的问题；
2. 格式转换：解决不同文件格式如何统一的问题；
3. 内容处理：解决如何按照业务规则操作文档的问题。

三类能力既可以独立接入 OA、云文档、知识库、合同和档案系统，也可以进一步封装为 Agent Skill，为智能办公和企业级 Agent 提供可靠的文档执行能力。原始产品材料同样将预览、转换和内容处理定义为一套完整文档处理中台的三类核心能力。

一、三大产品构成完整的文档能力底座

文件预览、格式转换和内容处理并不是三个彼此孤立的工具，而是覆盖文件查看、标准化和深度操作全过程的三类能力。

对传统业务系统而言，这三类产品提供的是标准文档服务；对 Agent 而言，它们则可以成为可理解、可选择和可调用的外部工具。

三者之间的关系可以简单概括为：

• 预览负责让文件“能看”；
• 转换负责让格式“统一”；
• 内容处理负责让文档“能操作”。

例如，一份 WPS 合同可以先转换为 PDF，供用户在线审阅；随后提取正文，交给大模型分析；最后根据业务要求添加水印、页码或执行归档。

二、文件预览：让 Agent 具备查看文档的“眼睛”

1. 产品定位

文件预览解决的是不同类型的文件如何在浏览器中直接查看的问题。

用户不需要安装对应的桌面软件，业务系统也不需要针对每一种格式分别开发查看器。只需将文件地址、文件标识或者上传文件提交给预览服务，即可获得在线预览页面或可嵌入业务系统的预览地址。

文件预览适合应用于：

• OA 和 BPM 系统中的流程附件；
• 网盘和云文档系统中的在线查看；
• 合同、档案和电子证照系统；
• CRM、ERP 和项目管理系统中的业务附件；
• 知识库和智能问答系统中的原文查看；
• Agent 执行结果的人工确认与复核。

2. 覆盖多类型文件

BaseMetas 文件预览支持超过 200 种文件格式，整体覆盖以下类别：

• 办公文档与文本：包括文字、表格、演示、WPS、开放文档和常见文本文件；
• 版式文档：包括 PDF、OFD 等适合正式分发和归档的文件；
• 图片：覆盖常见图片、扫描图片及部分专业图像格式；
• 音视频：支持常见音频、视频文件的在线播放；
• 压缩包：支持在线查看压缩包目录，并继续预览其中受支持的文件；
• CAD 与工程图纸：适用于建筑、机械、制造和工程管理等场景；
• 3D 模型：适用于工业设计、三维展示、建筑可视化和数字资产管理；
• 流程图与思维导图：覆盖业务流程、系统架构和知识结构等文件；
• 代码与配置文件：适合研发管理、代码查看和 DevOps 场景；
• 电子书：适合培训资料、电子教材和产品手册的在线阅读。

本文重点不在于逐一罗列扩展名，而在于说明：预览产品能够为企业业务系统提供统一的文件查看入口，使 Office、PDF、CAD、3D 等差异较大的文件都可以进入同一套在线使用流程。

3. 复杂文件场景

除了普通文件查看，企业应用还经常遇到网络文件、长文档、大文件、密码文档和加密压缩包等复杂情况。

预览产品需要覆盖：

• 网络文件获取与预览；
• 长文档分页加载；
• 大文件异步处理；
• 密码 Office 文档；
• 加密压缩包；
• 压缩包目录浏览；
• 重复文件结果复用；
• 文件访问权限控制；
• 预览地址有效期控制；
• 水印、下载、打印和复制权限控制。

官方格式说明显示，BaseMetas 文件预览支持密码保护的 Office 文档以及常见加密压缩包，用户提供正确密码后可以继续查看。

4. 作为 Agent Skill 的价值

在传统业务系统中，预览通常只是一个页面功能；在 Agent 应用中，预览还可以成为文档任务的可视化入口和人工复核环节。

例如用户提出：

打开这份工程资料，让我查看其中的 CAD 图纸。

Agent 可以调用文件预览 Skill，获得预览地址并返回给用户，而不需要理解 CAD 文件的内部结构。

建议将预览能力封装为：

name: preview_document
description: >
  将文件生成可在浏览器中查看的预览资源，
  支持办公文档、版式文档、图片、音视频、压缩包、
  CAD、3D模型、流程图、代码和电子书等类型。

inputs:
  file_source:
    description: 文件地址、文件标识或上传文件
  password:
    description: 文件或压缩包密码，可选
  preview_options:
    description: 预览模式、权限、水印及页面参数

outputs:
  task_id:
    description: 异步任务标识
  preview_url:
    description: 在线预览地址
  file_type:
    description: 识别出的文件类型
  status:
    description: 当前处理状态

适合触发该 Skill 的用户意图包括：

• 打开或预览文件；
• 查看压缩包中的内容；
• 在线查看 CAD 图纸；
• 展示 3D 模型；
• 打开流程图或思维导图；
• 查看 Agent 处理后的结果文件。

三、格式转换：为不同文档建立统一的使用方式

1. 产品定位

格式转换解决的是不同文件格式之间难以统一使用的问题。

企业文件来源复杂，同一个系统中可能同时存在 Office、WPS、PDF、OFD、图片、CAD、流程图和音视频文件。如果上层应用分别适配每一种格式，开发和维护成本会持续增加。

格式转换产品可以将来源不同的文件转换为适合预览、归档、编辑、交换或者智能分析的目标格式。

2. 核心能力

格式转换的典型场景包括：

• Office、WPS 等文档转换为 PDF；
• 文档或 PDF 转换为图片；
• PDF 转换为可编辑或可提取内容的格式；
• OFD 与 PDF、图片等格式之间转换；
• 图片和多页扫描件转换为 PDF；
• 流程图和工程图纸生成便于分发的预览文件；
• 音视频文件转换为统一播放格式；
• 企业历史文件批量转换为标准归档格式。

原始材料将转换产品定位为覆盖多类文件的企业级格式转换能力，并强调其支持异步执行、任务追踪和水平扩展。

格式转换不仅是一个“导出文件”的功能，还承担着文档标准化的作用。

例如：

• 知识库可能需要将来源不同的文件统一转换为便于提取内容的格式；
• 合同系统可能要求正式归档文件统一为 PDF；
• 多模态模型可能需要将长文档转换为逐页图片；
• 预览系统可能需要先生成浏览器能够稳定展示的版本。

3. 作为 Agent Skill 的价值

当用户提出：

把这份 Excel 转成 PDF。

Agent 只需要识别当前文件、用户意图和目标格式，然后调用转换 Skill：

name: convert_document
description: >
  将文件从当前格式转换为指定目标格式，
  适用于预览、归档、编辑、交换和后续智能分析。

inputs:
  file_source:
    description: 文件地址、文件标识或上传文件
  target_format:
    description: 目标文件格式
  source_format:
    description: 源文件格式，可选，可自动识别
  options:
    description: 页面范围、输出质量及其他转换参数

outputs:
  task_id:
    description: 异步转换任务标识
  result_url:
    description: 转换结果地址
  output_format:
    description: 实际输出格式
  status:
    description: 任务执行状态

适合触发转换 Skill 的用户表达包括：

• 转换成 PDF；
• 导出为图片；
• 把 OFD 转成 PDF；
• 将 Office 文件统一为归档格式；
• 生成适合在线查看的版本；
• 把文档转换为可以进行后续分析的格式。

4. Agent 工作流中的标准化节点

格式转换 Skill 往往不是最终步骤，而是后续智能处理的前置节点。

例如，一份演示文稿可以先转换为 PDF，再生成逐页图片，最后由多模态模型分析每一页内容。

因此，格式转换在 Agent 工作流中承担的是“文档格式翻译器”和“标准化入口”的角色。

四、内容处理：让 Agent 能够真正操作文档

1. 产品定位

格式转换主要改变文件的载体形式，内容处理则直接操作文件内部的页面、文本、工作表、批注、修订、水印、安全属性和文档结构。

例如：

• Word 转 PDF 属于格式转换；
• 接受 Word 中的全部修订属于内容处理；
• PDF 转图片属于格式转换；
• 删除 PDF 中的指定页面属于内容处理；
• Excel 转 PDF 属于格式转换；
• 合并多个 Excel 工作表属于内容处理。

内容处理使 Agent 不再只是“读取文件”，而是能够按照用户要求生成可交付的结果文件。

2. PDF 内容处理

PDF 内容处理可以覆盖：

• 文档合并和拆分；
• 页面删除、插入、旋转和排序；
• 添加页码和水印；
• 提取文本、图片、表格和附件；
• 表单填写；
• 批注清理和扁平化；
• 文档保护、加密和解密；
• 文档安全清理。

例如，用户可以要求：

把这些扫描件合并成一份 PDF，每页添加“仅限内部使用”水印，并在底部插入页码。

这些操作可以组合为一次连续的文档处理任务。

3. Word 内容处理

Word 内容处理可以覆盖：

• 提取或删除批注；
• 接受或拒绝修订；
• 开启或关闭修订模式；
• 添加或移除水印；
• 插入或替换页眉页脚；
• 合并多个文档；
• 清理文档内容；
• 应用正式文档模板；
• 公文套红；
• 文档保护、加密和解密。

这类能力适合合同定稿、公文处理、材料汇编、审阅清稿和正式文件生成等场景。

4. Excel 内容处理

Excel 内容处理可以覆盖：

• 合并或拆分工作簿；
• 合并、插入、删除和隐藏工作表；
• 规范化表格结构；
• 处理数据透视表；
• 处理条件格式；
• 设置或取消工作表保护；
• 文件加密和解密。

这类能力可以用于报表汇总、数据模板生成、批量台账整理和业务数据交付。

原始材料将内容处理定义为针对 PDF、Word 和 Excel 的结构化编辑与提取能力，并支持将多个操作组成连续处理流程。

5. 结构化操作指令

为了让 Agent 稳定调用，可以将每一种文档操作定义为结构化操作码：

Pdf.document.merge
Pdf.watermark.insert
Pdf.text.extract
Pdf.page.remove

Word.revision.acceptAll
Word.comment.remove
Word.document.applyTemplate

Excel.workbook.merge
Excel.sheet.remove
Excel.table.normalize

自然语言由大模型负责理解，实际执行则通过确定性的操作指令完成。

例如，用户提出：

合并这五个 PDF，在每页右上角添加“机密”水印，最后设置打开密码。

Agent 可以生成：

{
  "files": [
    "file-001",
    "file-002",
    "file-003",
    "file-004",
    "file-005"
  ],
  "operations": [
    {
      "operation": "Pdf.document.merge",
      "parameters": {
        "order": "input"
      }
    },
    {
      "operation": "Pdf.watermark.insert",
      "parameters": {
        "text": "机密",
        "position": "top-right",
        "opacity": 0.25
      }
    },
    {
      "operation": "Pdf.security.encrypt",
      "parameters": {
        "password": "******"
      }
    }
  ]
}

6. 作为 Agent Skill 的价值

内容处理能力可以封装为：

name: process_document
description: >
  对 PDF、Word 或 Excel 文件执行结构化内容处理，
  支持合并、拆分、提取、水印、修订、模板和安全保护等操作，
  并支持多个操作按顺序执行。

inputs:
  file_source:
    description: 单个文件、多个文件或文件标识列表
  operations:
    description: 按顺序执行的结构化操作列表
  execution_mode:
    description: 单文件、多文件合并或批量处理模式

outputs:
  task_id:
    description: 内容处理任务标识
  result_url:
    description: 最终结果文件地址
  operation_results:
    description: 每个操作的执行结果
  status:
    description: 当前任务状态

适合触发内容处理 Skill 的用户意图包括：

• 合并或拆分文件；
• 添加水印和页码；
• 接受全部修订；
• 清除批注；
• 提取 PDF 文本或表格；
• 应用正式文档模板；
• 合并 Excel 工作表；
• 对文件进行加密或安全清理。

五、三类 Skill 如何协同完成复杂任务

假设用户提出：

把客户上传的 Word 合同转换成 PDF，添加机密水印，提取合同正文，并分析其中的付款和违约条款。

Agent 可以将任务拆解为以下步骤

在这个流程中：

• 格式转换负责将原始合同标准化；
• 内容处理负责添加水印和提取正文；
• 大模型负责理解合同语义；
• 文件预览负责向用户展示原文和处理结果。

其核心分工是：

大模型负责理解、规划和判断，文档 Skill 负责准确、稳定地执行。

六、Agent Skill 的推荐实现方案

1. 建立基础 Skill 层

第一步可以将三类产品能力分别封装为三个基础 Skill：

Document Skills
├── preview-document
├── convert-document
└── process-document

每个 Skill 至少应包含：

• 能力说明；
• 适用场景；
• 输入参数定义；
• 输出结果定义；
• 支持范围；
• 调用限制；
• 错误处理规则；
• 权限和安全要求。

Agent 通过 Tool Calling、Function Calling 或其他工具调用机制选择 Skill，并生成符合约束的参数。

2. 增加统一的 Skill Adapter

为了避免 Agent 直接处理复杂的产品接口，可以增加统一的 Skill Adapter。

Skill Adapter 负责：

• 接收 Agent 生成的结构化参数；
• 校验文件来源和操作权限；
• 提交任务；
• 查询任务状态；
• 处理超时和失败；
• 将错误转换为 Agent 可理解的信息；
• 返回预览地址、结果文件或提取内容。

3. 封装异步任务生命周期

文档预览、转换和内容处理可能需要一定时间，因此不应要求大模型持续阻塞等待。

Skill 应封装完整的任务生命周期：

提交任务
  ↓
获得 taskId
  ↓
查询状态或等待结果通知
  ↓
任务完成
  ├─ 成功：返回预览地址、结果文件或提取内容
  ├─ 失败：返回结构化错误
  └─ 超时：进入重试、取消或人工处理

结构化错误可以采用以下形式：

{
  "error_code": "FILE_PASSWORD_REQUIRED",
  "message": "该文件已加密，需要提供正确的打开密码。",
  "retryable": true,
  "required_action": "request_password"
}

Agent 读取该结果后，可以继续向用户询问密码，而不是直接终止整个任务。

4. 增加能力查询 Skill

文件格式和内容处理能力会持续扩展，因此不建议将全部支持范围永久写死在 Prompt 中。

可以增加一个能力查询 Skill：

name: query_document_capabilities
description: 查询当前支持的文件格式、转换目标和内容处理操作。

inputs:
  capability_type:
    description: preview、convert 或 process
  source_format:
    description: 源文件格式，可选
  target_format:
    description: 目标格式，可选
  document_type:
    description: PDF、Word、Excel 等，可选

outputs:
  supported:
    description: 是否支持
  capabilities:
    description: 可用格式或操作列表
  constraints:
    description: 文件大小、密码和页面范围等限制

Agent 在执行不确定的任务前，可以先查询能力范围，再决定下一步操作。

七、从基础 Skill 到业务复合 Skill

预览、转换和内容处理属于原子能力。在实际应用中，还可以围绕业务目标封装更高层的复合 Skill。

例如，合同审查复合 Skill 可以编排：

识别文件类型
  ↓
转换为标准格式
  ↓
提取正文和表格
  ↓
大模型分析条款
  ↓
生成审查报告
  ↓
创建原文与报告预览

基础 Skill 保持稳定、通用和可复用，复合 Skill 则面向具体业务目标组织调用顺序。

八、Skill 落地需要关注的工程问题

1. 输入输出必须结构化

Skill 参数应使用严格的数据结构定义，明确文件来源、目标格式、页面范围、操作顺序、权限参数和结果交付方式。

2. 操作前进行能力校验

Agent 生成操作计划后，应先检查：

• 文件格式是否支持；
• 当前操作是否适用于该文档类型；
• 多个操作能否组合；
• 文件是否需要密码；
• 用户是否具有操作权限；
• 结果格式是否符合业务要求。

3. 错误信息需要可理解

Skill 不应只返回“任务失败”，而应说明失败原因和可采取的下一步动作，例如需要密码、格式暂不支持、文件损坏、网络文件无法获取或者当前用户没有权限。

4. 建立安全边界

文档 Skill 需要统一处理：

• 文件访问权限；
• 租户和用户隔离；
• 网络文件地址校验；
• 临时访问地址有效期；
• 文件密码和敏感参数保护；
• 下载、打印和复制权限；
• 任务操作日志；
• 结果文件权限继承；
• Agent 操作审计。

对于删除页面、清除批注、接受修订和覆盖文件等可能影响原文的操作，还应增加用户确认机制。

5. 保证任务幂等性

Agent 可能因为网络异常、任务恢复或规划重试而重复调用同一个 Skill。对于相同文件和相同参数，系统应尽量识别重复任务并复用已有结果，避免反复执行高成本操作。原始材料也将文件指纹、结果缓存和重复结果复用列为文档能力的重要组成部分。

九、文档能力与 AI 能力的边界

BaseMetas IDP 的主要职责，是完成确定性的文档操作；大模型的主要职责，则是理解自然语言和文档语义。

二者的分工可以概括为：

对于扫描文件文字识别、复杂版面理解、语义分析和文档问答，可以在三类文档能力之上进一步增加 OCR、视觉模型、RAG 和大模型服务。原始材料也明确说明，内容处理产品本身侧重确定性的文档操作，并不等同于 OCR 或 AI 分析平台。

推荐的整体分层为：

用户与业务应用
        ↓
Agent 交互与任务规划
        ↓
业务复合 Skill
        ↓
预览 / 转换 / 内容处理基础 Skill
        ↓
BaseMetas IDP 文档能力平台
        ↓
企业文件、存储与业务系统

大模型不直接修改复杂文件，文档服务也不负责替代大模型进行业务推理。这种边界能够同时保证智能性和执行可靠性。

十、结语：让 Agent 获得可靠的文档“眼睛、翻译器和手”

文档类 Agent 真正落地时，面对的不只是自然语言和纯文本，还包括 Office、PDF、OFD、图片、音视频、压缩包、CAD、3D 模型、流程图、代码和电子书等多种企业文件。

仅依靠大模型，难以稳定完成这些文件的预览、转换和修改。

BaseMetas IDP 将文档处理拆分为三类边界清晰的产品能力：

• 文件预览是 Agent 的眼睛，让不同类型的文件都能在线查看；
• 格式转换是 Agent 的翻译器，让不同格式进入统一的业务流程；
• 内容处理是 Agent 的手，让文档可以按照明确规则被提取、修改和生成。

在此基础上增加 Skill 描述、结构化参数、任务状态封装、权限控制和错误处理，就可以将传统文档能力升级为 Agent 能够理解和调用的工具体系。

对于正在建设智能办公、合同审查、知识库、档案管理、云文档、工程资料或者企业级 Agent 的团队而言，真正可靠的实现方式并不是让大模型直接处理复杂文件，而是：

让大模型负责理解和规划，让专业的文档 Skill 负责执行和交付。

当 Agent 同时拥有理解业务的大脑，以及稳定处理文档的工具，它才真正具备从“回答问题”走向“完成任务”的能力。

​​相关资料

BaseMetas 介绍：https://basemetas.com/

社区版

• BaseMetas Fileview GitHub：https://github.com/basemetas/fileview