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文件预览解决文件能否在线查看的问题格式转换解决不同文件格式如何统一的问题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。官网地址https://basemetas.com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 Skillname: 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 SkillDocument 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 Skillname: 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。复合 Skill主要能力组合合同审查格式转换、文本提取、条款分析、结果预览文档归档格式标准化、水印、页码、安全处理、归档文档对比文件转换、正文提取、版本差异分析正式文件生成清除批注、接受修订、应用模板、导出 PDF知识库入库格式识别、转换、内容提取、切分和入库档案数字化扫描件整理、页面处理、内容识别和归档工程资料助手CAD 预览、资料查看、文件转换和归档三维资产助手3D 模型预览、资料关联和资产信息查询研发资料助手代码预览、配置查看和技术文档提取例如合同审查复合 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Agent 与大模型BaseMetas IDP理解用户意图获取和识别文件拆解任务步骤生成文件预览选择适合的 Skill转换文件格式分析文档语义合并、拆分和修改文档判断条款和风险添加水印和安全保护生成摘要与报告提取文本、图片和表格决定是否需要人工确认返回任务状态和结果文件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。相关资源BaseMetas Fileview预览产品社区版BaseMetas Fileview 产品介绍https://fileview.basemetas.cn/docs/product/summaryBaseMetas Fileview 在线体验https://file.basemetas.cnBaseMetas Fileview GitHubhttps://github.com/basemetas/fileview
)
