AI 如何读懂报价表、Word 规格和 PDF？销售资料多模态分析指南

TL;DR

AI 能“打开”Word、Excel 和 PDF，不代表它已经“读懂”销售资料。

销售文档的难点在于结构：报价表里的表头、合并单元格与公式，Word 里的章节与表格，PDF 里的页面布局、扫描图片和脚注，都可能改变含义。可靠的 AI 分析应该保留这些结构，并明确告诉用户哪些内容已读取、哪些内容可能丢失、哪些数字需要回到原文件复核。

2026 年的变化：办公文件正在成为 Agent 的工作界面

Microsoft 在 Microsoft 365 Copilot 的 Office agent 能力 中展示了 AI 直接创建和处理 Word、Excel、PowerPoint 文档的方向；Notion 3.6 也把 更多文件类型与更广泛的 Agent 工作流 放进统一工作空间。

这说明企业 AI 正从“聊天框回答问题”转向“围绕真实文件完成任务”。但对销售团队来说，真正的验收点仍然是：文件里的关键数字和条件有没有被正确定位。

三类文件，三种不同风险

Excel：数字正确不等于语义正确

报价表通常同时包含：

• 多个 sheet；
• 产品项、选配项和服务项；
• 单价、数量、折扣、税费和币种；
• 公式与缓存后的显示值；
• 隐藏行列、备注或条件格式。

AI 如果只抽取可见文字，可能把“Included”理解成价格为零，把小计当成单价，或者忽略币种。正确做法是保留 sheet 名、单元格范围、公式文本和显示值之间的关系。

Word：章节结构决定结论归属

Word 规格书里的同一个参数，可能分别属于标准配置、可选配置、适用条件或免责声明。只把全文切成若干文字片段，容易让 AI 把可选能力写成标准能力。

可靠的解析需要保留标题层级、段落顺序和表格。与此同时，也要承认限制：Word 文档没有经过排版引擎时，很难给出稳定的“第几页”定位，使用章节与表格位置通常更可靠。

PDF 与图片：视觉布局可能就是数据关系

原生 PDF 可以抽取文本，但扫描 PDF 本质上是图片；复杂目录、跨栏、脚注和印章会增加识别难度。产品图片也能提供线索，但不能仅凭外观确认精确型号或配置。

因此，PDF 和图片分析应把 OCR 或视觉识别结果标为提取结果，而不是自动升级成正式产品事实。

一个脱敏场景：从报价附件中准备跟进

客户公司 A 发来一个 Excel 报价模板和一份 PDF 技术要求，希望销售当天回复。

合理的 AI 工作流不是马上生成报价，而是：

1. 列出 Excel 中的所有 sheet、币种、关键表头和公式区域；
2. 从 PDF 提取必选条件、验收要求与明确排除项；
3. 对照公司产品知识，标出“已满足”“可能满足”“需工程确认”；
4. 生成一份缺口清单，让销售确认数量、交付范围与商务条件；
5. 确认后再准备回复或写入客户 activity。

这样，AI 先帮助销售发现风险，再帮助生成内容。

KnowSales 当前可以做什么

KnowSales Agent 工作区目前支持围绕常见销售附件提问，包括 DOCX、XLSX、PDF 和图片。经过验收的重点不是“上传成功”，而是能够从文件中提取可用于问答的结构：

• Word 的章节、段落与表格；
• Excel 的 sheet、单元格范围、公式文本与缓存显示值；
• PDF 与图片输入；扫描件、复杂排版和视觉判断仍需逐项复核；
• 同一 Agent 工作区可以接收多个附件，也能调用公司知识与客户检索工具，但本次 Office 验收没有把所有跨来源组合都标记为已验证。

同时，边界需要说清楚：旧格式 .doc、.xls，含宏文件 .docm、.xlsm，密码保护文件，以及需要重新计算公式的工作簿，不属于当前可靠处理范围。AI 也不应该伪造 Word 页码，或把视觉猜测当成产品型号事实。

评估 AI 文档分析工具的 8 个问题

最小落地流程

销售团队可以先从一个高频文件类型开始，例如每周都要处理的报价表：

1. 选 10 份脱敏样本，覆盖不同表头和公式；
2. 定义必须提取的字段及错误容忍度；
3. 让 AI 输出结构化结果与来源位置；
4. 人工逐项对照原文件；
5. 把常见异常写成固定核验规则；
6. 最后再连接报价、邮件或 CRM 流程。

先验证“读得对”，再追求“做得快”。

相关阅读

• AI 销售助手为什么必须显示来源？
• 从 WhatsApp/微信聊天到销售记忆
• 如何构建高效的销售知识库

下一步

如果你的销售资料分散在报价表、规格书和客户附件中，可以查看 KnowSales 外贸销售解决方案。

本文基于 KnowSales Office 附件能力验收资料撰写；文中的客户与文件场景均为合成示例。