invoice-dedup

invoice-dedup 快速入门

几秒内从一堆扫描件里揪出”同一张发票报了两次”的那张报销单。

这是什么?解决什么问题?

财务、行政、自雇人士最常见的痛点之一:一堆电子发票(有的 PDF,有的 JPG,有的截图),其中几张其实是同一笔交易被不同部门、不同人重复提交的。如果不识别出来就做账,轻则多缴税,重则触发审计风险。 invoice-dedup 是 Anthropic 官方 skills 仓库里的一个数据工程型 Skill,它的工作原理是:

1. 调用 OCR(光学字符识别)从发票图片/PDF 中提取交易号、开票日期、金额、销方税号等关键字段;
2. 把这些字段组合成一个”发票指纹”;
3. 在多张发票之间两两比对,把”指纹相同或高度相似”的发票聚类到一起,标出疑似重复项;
4. 输出一份可读报告(可作为 Excel/CSV),并对每组重复给出”是否同笔”的置信度。 它并不是要替代专业财务软件,而是给”接到一堆扫描件、想快速判断有没有重复”的场景做一个前置过滤。

准备工作

• Python ≥ 3.10
• 一个支持 Skills 的 agent(Claude Code、OpenCode 等)
• Tesseract OCR(开源,Windows 用 choco install tesseract,macOS 用 brew install tesseract,Linux 用 apt install tesseract-ocr)
• 准备 5-10 张发票样本(可以是有意构造的重复 + 非重复混合)
• 如果发票里有中文,额外安装 tesseract-data-chi-sim 语言包

3 步快速上手

第 1 步:克隆并安装依赖

git clone https://github.com/anthropics/skills.git
cd skills/invoice-dedup
pip install -r requirements.txt

如果仓库没单独提供 requirements.txt,常见依赖是:

pip install pytesseract pillow pdfplumber pandas rapidfuzz

第 2 步:验证 OCR 与 Skill 链路

在终端跑一个最小验证,确认 Tesseract 能读中文+数字发票:

import pytesseract
from PIL import Image
text = pytesseract.image_to_string(Image.open("sample_invoice.jpg"), lang="chi_sim+eng")
print(text[:200])

能正常打印出含税号、金额、交易号字段的文本,说明 OCR 链路通了。再用 ls ~/.claude/skills/ 确认软链到位:

ln -sf $(pwd) ~/.claude/skills/invoice-dedup

第 3 步:跑第一批发票去重

把 5-10 张发票放进 invoices/ 文件夹,在 agent 对话框里说:

请用 invoice-dedup 分析 invoices/ 下所有文件,
输出重复组、置信度,并把结果保存到 dedup_report.csv。

AI 会调起 Skill,先 OCR,再聚类,再写 CSV。打开 CSV 看”重复组”列,会看到形如 Group 3 (2 张,置信度 0.96) 的条目,点开看明细就是去重的目标发票。

常见踩坑

1. OCR 装错语言包:纯英文发票漏装 eng,中文发票漏装 chi_sim,结果是识别出一堆乱码。tesseract --list-langs 可以验证。
2. PDF 没先转图片:pdfplumber 抽不到扫描件里的文字(那其实是图),必须先 pdf2image 转成图片再 OCR。
3. 金额格式不统一:有的发票写 1,234.56,有的写 1.234,56,指纹生成前必须做归一化,否则明明同金额匹配不上。
4. 只比对了文件名:简单按文件名去重是错的,经常有”发票_001.pdf”和”发票_001_副本.pdf”其实是两笔,Skill 一定要比内容指纹。
5. 置信度阈值设错:阈值 0.99 太严,真实重复会漏;0.7 太松,会把”同一天同金额的不同发票”误判。要根据自家数据调,推荐先在 0.85 起步。
6. 没做人工抽检:自动化报告再准,建议每组至少抽 1 张肉眼核对,尤其涉及高金额时。

初级用法

• 月度报销清洗:把当月所有发票丢给 Skill,几秒拿到去重报告,直接交给财务。
• 配合 Excel 模板:把 dedup_report.csv 喂给一个 Excel 模板,自动生成”待人工复核”工作表,比手工勾选快很多。

高级玩法

• 接 ERP API:把 Skill 的输出作为 ERP(金蝶/用友/SAP)入账前的”重复预警”层,完全自动阻断可疑重复入账。
• 自定义指纹字段:编辑 SKILL.md 里的 fingerprint_keys,把”销方税号 + 交易号 + 金额”换成你们行业更稳的字段组合(如”合同号 + 收单机构号”)。
• 增量去重:把”已确认非重复”的发票指纹存进 SQLite 历史库,新发票只和历史比对,不用每次全量扫,几千张发票也能秒级响应。

小技巧

• 给发票加一个统一命名前缀(如 2026Q2-001),这样去重报告里能直接关联到季度。
• 对极小金额(如 < 50 元)可设白名单跳过,减少噪声。
• OCR 结果里经常出现”O”和”0”混淆,做指纹时用 fuzzy match(rapidfuzz)容错一下。
• 如果发票来自邮件附件,先用 unzip 把 .zip 包解开,再统一处理。
• 周报/月报里附一张”重复率趋势图”,长期跟踪能发现异常商家。

常见问题 FAQ

Q1: 这个 Skill 跟 invoice-dedup 有什么关系?必须装吗? A: Skill 是给 AI Agent 用的”技能包”,能告诉 Agent 怎么按特定规范工作。不是必须装——如果你的项目规模小、要求不高,不装也能用。但装上能让 Agent 输出的质量更高、更符合最佳实践,推荐装。

Q2: 这个 Skill 适合哪些 AI Agent?Cursor?Claude Code?其他? A: invoice-dedup 来自 community,主要面向支持 Skill 机制的 Agent。常见兼容 Agent 包括 Claude Code、Cursor、OpenCode、Windsurf 等。具体兼容性请查 Skill 官方文档。

Q3: 装了这个 Skill 后,会拖慢 Agent 响应吗? A: 会的——Skill 通常会增加 prompt 长度,导致响应变慢、token 消耗增加。但质量提升明显。建议:1) 只装项目必需的 Skill;2) 用 Skill 启动/加载/卸载机制按需加载;3) 定期清理不用的 Skill。

Q4: 怎么验证 Skill 装对了? A: 在 Agent 中输入”列出已加载的 Skill”或类似命令。如果 Skill 出现在列表里,说明装对了。然后用 Skill 跑一个相关任务,看输出是否符合 Skill 规范。

Q5: 这个 Skill 有许可证吗?能商用吗? A: 取决于 invoice-dedup 的许可证。常见许可证包括 MIT(完全自由)、Apache-2.0(自由但有专利条款)、源可用(可看不能用)、GPL(强开源)。商用前请查仓库 LICENSE 文件。

参考链接

• 仓库主页
• invoice-dedup 目录
• Tesseract OCR
• pdfplumber 文档
• rapidfuzz 文档
• Claude Code 文档

本文基于官方文档和公开资料整理，AI辅助生成，MagicNetWorld 尚未完成独立实测。如有错误或过时信息，请通过 contact@magicnetworld.com 反馈。