Песочница: MICHEL VAN KOERT

Intent ID: 23

1) Загрузить файл и получить сырой OCR JSON

Сохраняем последний файл и сырой OCR, чтобы можно было повторно тестировать маппинг без перезагрузки.

Скачать последний файл (INVOICE 522507 DSVAIRMOW (28-Feb-26).PDF)

2) Правила трансформации

Правила трансформации OCR-данных в целевую схему (включая валидацию).

Промпт LLM-подсказки

Ты создаёшь правила трансформации данных инвойса из сырого OCR в целевую JSON-схему.

Сырой OCR-JSON получен из table_parsing (распознавание таблиц из изображений).
Особенности формата:
- header_text может содержать текст шапки документа (номер, дату, поставщика, AWB и т.д.).
- metadata может быть пустым.
- table.columns — заголовки колонок; могут содержать слипшиеся слова или символ "#" распознанный как "1". Могут быть пустыми — тогда определи смысл колонок по данным.
- table.rows — массив строк; каждая строка = массив значений в порядке columns.
- totals_raw — итоговые значения с последней страницы (может быть пустым).
- sections и notes обычно пустые.

<сырой_ocr_json>
{raw_json}
</сырой_ocr_json>

<целевая_json_схема>
{target_schema}
</целевая_json_схема>

=== ШАГ 1: АНАЛИЗ ДАННЫХ (выполни перед генерацией правил) ===

Прежде чем писать правила, ответь себе на вопросы:

1. КОЛОНКИ: если table.columns пуст, определи смысл каждой колонки по данным. Для каждого индекса укажи: "колонка N = что это" (число коробок, маркировка, название сорта, категория, бантчи, стебли, цена за штуку, итого, номер заказа и т.д.).

2. ТИП ИНВОЙСА — определи по структуре OCR:
   А) Составные коробки (заголовок + детали): есть строки-заголовки (MIXED BOX) с общими суммами, за ними строки-детали с отдельными сортами.
   Б) Плоские: каждая строка = одна позиция = одна коробка. Нет MIXED BOX.
   Г) Групповые коробки без агрегата: строка с заполненными Boxes/Order/BoxT = начало новой коробки. Эта же строка = первый товар. Последующие строки с пустыми Boxes/Order/BoxT = товары в той же коробке. box_number наследуется от строки-заголовка.
   В) Секции по фермам: строки группируются по фермам/HAWB.
   Д) Гибридный (составные + individual в одном инвойсе): строки с PRODUCT = "MIXED BOX" открывают группы с деталями ниже, а строки с конкретным сортом (не "MIXED BOX"), непустым # и непустым LABEL являются individual box и должны маппиться в item напрямую.

3. ФИЗИЧЕСКИЕ КОРОБКИ: найди колонку с количеством физических коробок. Колонка # (часто col 0) содержит КОЛИЧЕСТВО физических коробок в строке. Значение может быть 1, 2, 6, 14 и т.д. Значение # в строке TOTALS = общее число коробок в инвойсе. ВАЖНО: items[].boxes = значение из этой колонки (НЕ хардкод 1). Не путай # с числом бантчей/сортов внутри коробки.

4. MIXED BOX — определи, что это значит в данном инвойсе:
   - Вариант 1: одна физическая коробка со смешанными сортами внутри (строки-детали = сорта в одной коробке). В этом случае каждая строка-деталь = 1 item с boxes=1, данные берутся напрямую из строки без деления.
   - Вариант 2: одна строка описывает N одинаковых физических коробок (boxes > 1 и нет строк-деталей). В этом случае раскрой: создай N items с boxes=1, поделив quantity и total_price на N.
   Подсказка: если после деления quantity получаются дробные стебли (3.125, 1.786) — ты неправильно определил что делить. Стебли всегда целые или кратные размеру бантча.
   - Вариант 3: строка с # > 1 и конкретным сортом (не "MIXED BOX") без строк-деталей — это N одинаковых коробок с одним сортом. Раскрой в N items с boxes=1: quantity_each = quantity / N, total_price_each = total_price / N. Генерируй уникальный box_number для каждого раскрытого item.

=== ШАГ 2: БИЗНЕС-ПРАВИЛА ===

РАСКРЫТИЕ МУЛЬТИБОКСА (ОБЯЗАТЕЛЬНО):
Мультибоксы всегда должны раскрываться — позиции расписываются подробно по сортам. Если одна строка = N одинаковых физических коробок без строк-деталей — раскрой в N отдельных items[] с boxes=1.
Пример: строка "5 boxes, 1500 stems, $750" → 5 строк по boxes=1, quantity=300, total_price=150.
При раскрытии мультибокса каждый раскрытый item должен получить УНИКАЛЬНЫЙ box_number. Если исходный номер "ORD123" и boxes=3, генерируй "ORD123-1", "ORD123-2", "ORD123-3".
Если MIXED BOX = одна коробка с разными сортами (вариант 1) — каждая строка-деталь уже описывает один сорт с готовыми quantity и total_price.

ЗАГОЛОВКИ МУЛЬТИБОКСОВ — НЕ ВКЛЮЧАТЬ В ITEMS (КРИТИЧНО):
Строки-заголовки с PRODUCT = "MIXED BOX" (или аналогичные агрегатные строки) НЕ создают items. Они используются ТОЛЬКО как источник для наследования box_number, boxes, plantation при обработке следующих строк-деталей. В items[] попадают ТОЛЬКО строки-детали с конкретным сортом. Строка с category="MIXED BOX" и variety="MIXED" НЕ ДОЛЖНА появляться в items[]. Это критично, потому что items[] напрямую выгружаются в Excel — заголовки мультибоксов в Excel попадать не должны.

МАРКИРОВКА (box_marking) — КРИТИЧНО:
Поле box_marking — это клиентская маркировка, которая выводится в колонку "Маркировка" в Excel. Это НЕ тип/размер коробки (не "HB FF JUMBO", не "HB FF2 (120*35*35)"). Тип коробки в box_marking ставить ЗАПРЕЩЕНО.
box_marking = метка получателя/клиента. Искать в документе одно из: "TDA", "BUKETOPT", или что-то похожее на фамилию на латинице (например "IVANOV", "PETROV"). Источники для поиска: колонка MARK/Mark Code, секция SHIP CUSTOMER, header_text, metadata, поле "TO BILL CUSTOMER".
Если в документе по смыслу ничего подходящего не находится — ставить "TDA" по умолчанию.
Правило для каждого item: box_marking = найденная маркировка (одинаковая для всех items одного инвойса).

НОМЕР КОРОБКИ (box_number):
1. Если в таблице есть колонка Order/LABEL с уникальными номерами для каждой физической коробки — используй их.
2. Если уникальных номеров нет (все коробки идут под одним номером "1", или колонка LABEL пуста) — генерируй уникальные номера. Формат: первая буква названия поставщика + порядковый номер коробки (F1, F2, F3, F4 для FRAMA; Q1, Q2, Q3 для QUITO и т.д.).
3. ПРОВЕРКА: количество уникальных box_number в items[] ДОЛЖНО совпадать с summary.total_boxes. Если в инвойсе total_boxes = 4, значит должно быть ровно 4 разных box_number. Если OCR показывает "1" в колонке # для каждой коробки — это не значит, что номер коробки "1"; это значит, что в каждой строке 1 физическая коробка, и каждая из них должна получить свой уникальный box_number.
4. Строки-детали внутри одной коробки (MIXED BOX) наследуют box_number от строки-заголовка этой коробки.

ПОДСЧЁТ summary.total_boxes:
Приоритеты:
1. Строка TOTALS: значение в col 0 (#) = сумма физических коробок.
2. Если есть секция "Total Full / F / H / Q / E" — total_boxes = сумма F+H+Q+E (Full, Half, Quarter, Eighth).
3. Если BOX N° содержит только group ID (001, 003, 005 — не для каждой физической коробки), а total_boxes берётся из секции типов, то BOX N° = group identifier.
4. Если total_boxes нигде явно не указан — посчитай количество строк-заголовков коробок (строки с непустым # в колонке 0) и используй сумму их значений.

ПОЛЕ plantation:
plantation ВСЕГДА равна названию поставщика (supplier). Не бери из колонки FARM, не используй коды плантаций. plantation = supplier.

ПОЛЯ category, variety, length:
- category: из колонки SPECIES/Species (ROSES, ALSTRO, CARNATION). Если нет отдельной колонки — определи по описанию.
- variety: из колонки VARIETY/Description. Если встроена в PRODUCT ("AMIRA 60CM N 25ST QUCT") — извлеки только название сорта ("AMIRA").
- length: из колонки LEN/Length/Lenght. Если встроена в название ("60CM") — извлеки число. Если несколько значений ("40CMN 25ST QUOT") — бери первое число перед CM.

=== ШАГ 3: САМОПРОВЕРКА ===

Мысленно примени свои правила к первым 3-5 строкам данных и проверь:
- quantity в каждом item — целое число или кратное размеру бантча (25, 10). Дробные стебли (3.125, 1.786, 14.06) — признак ошибки в правилах.
- unit_price — разумная цена за стебель ($0.20–$5.00 для цветов).
- sum(items[].quantity) ≈ totals.total_stems (если есть в данных).
- sum(items[].total_price) ≈ totals.total_amount (если есть в данных).
- sum(items[].boxes) должно совпадать со значением # в строке TOTALS (если есть в данных).
- count(unique items[].box_number) = summary.total_boxes (ОБЯЗАТЕЛЬНО должно совпадать).
- Каждый item должен иметь непустой box_number.
- В items[] НЕТ строк-заголовков MIXED BOX (category="MIXED BOX", variety="MIXED") — только строки-детали с конкретным сортом.
- plantation = supplier для каждого item.
- box_marking = клиентская маркировка (TDA/BUKETOPT/фамилия), НЕ тип коробки. Если ничего не найдено — "TDA".
Если проверка не сходится — пересмотри правила перед ответом.

=== ФОРМАТ ОТВЕТА ===

Верни JSON с единственным ключом:
- "transform_rules": массив коротких правил (строки на русском языке)

КРИТИЧНО — правила будут применяться к НОВЫМ документам того же поставщика, где конкретные значения (номера инвойсов, даты, суммы, AWB, количество стеблей) будут ДРУГИМИ. Поэтому:

ЗАПРЕЩЕНО включать в правила:
- Конкретные значения из образца: номера инвойсов, даты, AWB, суммы, количества
- Абсолютные индексы строк (индекс 23, индекс 30) — число строк в таблице разное
- Конкретные названия стран или имена клиентов из данного документа

ОБЯЗАТЕЛЬНО сгенерируй правила для processing_report:
- sum_stems = sum(items[].quantity)
- sum_amount = sum(items[].total_price)
- sum_boxes = количество УНИКАЛЬНЫХ непустых items[].box_number
- expected_stems = summary.total_stems
- expected_amount = summary.total_amount
- expected_boxes = summary.total_boxes
- items_count = len(items)
- status: "ok" если всё сошлось, "warning" если расхождения, "error" если ключевые данные не извлечены
- discrepancies: список расхождений (отсутствие box_number, несовпадение сумм и т.д.)
- notes: тип инвойса, кол-во коробок, проблемы при извлечении, раскрытие мультибокса, текст "Notice:" если есть
Адаптируй формулы к реальной структуре данных. Если коробки распознаются в нестандартных ячейках — опиши откуда именно брать значения и как считать.

ОБЯЗАТЕЛЬНО описывать:
- МЕТОД извлечения: "найти строку с меткой 'MAWB'", "последняя строка таблицы", "строка, содержащая 'Totals'"
- Ссылки на КОЛОНКИ по имени и индексу (колонки стабильны между документами)
- ПАТТЕРНЫ поиска: "строка, где колонка 0 содержит 'DAU-'", а не конкретное значение

Пример ПЛОХОГО правила: "summary.total_stems: значение 700 из строки индекс 30."
Пример ХОРОШЕГО правила: "summary.total_stems: найти строку с меткой 'Totals', взять значение из колонки 1, преобразовать в число."

Требования к правилам:
1. Ссылайся на названия колонок из table.columns (по индексу и по имени).
2. Опиши как заполнить КАЖДОЕ поле целевой схемы, используя метод извлечения, а не конкретные значения.
3. Укажи определённый тип инвойса (А/Б/В) и логику распознавания строк.
4. Укажи МЕТОД извлечения для invoice_number, date, supplier, country, awb: по какой метке/паттерну найти значение. Если в сыром OCR есть поле header_text — используй его как приоритетный источник для полей шапки (номер, дата, поставщик, страна, AWB).
5. Опиши логику box_number: реальный номер из данных или генерация PREFIX+seq. Количество уникальных box_number ОБЯЗАНО совпасть с total_boxes.
6. Если применяется раскрытие мультибокса — опиши логику. Если не применяется — явно укажи, что каждая строка-деталь = 1 item без деления. Заголовки MIXED BOX НЕ включать в items.
7. Числовые поля — числа, не строки. Убери "$", "EUR", запятые.
8. Правила валидации: sum(items[].total_price) ≈ summary.total_amount, sum(items[].quantity) ≈ summary.total_stems, count(unique items[].box_number) = summary.total_boxes.
9. plantation = supplier (всегда).
10. box_marking = клиентская маркировка (TDA/BUKETOPT/фамилия на латинице). Это НЕ тип коробки. Если ничего релевантного не найдено — обязательно ставить "TDA".
11. Верни только валидный JSON.

Используется кнопкой «Подсказать rules».

Transform rules (JSON массив строк)

[
  "Тип инвойса: Б (плоский) - каждая строка таблицы содержит отдельную позицию, нет строк-заголовков MIXED BOX и строк-деталей.",
  "Колонки таблицы: table.columns пуст, но строки содержат метаданные о грузе (CONSIGNOR, CONSIGNEE, BROKER, WEIGHT, FLIGHT & DATE, ORIGIN, DESTINATION), а не товарные позиции. Товарные позиции находятся в header_text.",
  "invoice_number: извлечь из header_text по паттерну 'INVOICE' + пробелы + последовательность цифр. Преобразовать в строку.",
  "invoice_date: извлечь из header_text по паттерну 'INVOICE DATE:' + дата в формате DD-MMM-YY. Преобразовать в строку.",
  "supplier: извлечь из header_text название поставщика после 'VAT #:' и до следующей строки или 'ATTENTION:'. В данном случае 'RTA AIR & SEA'.",
  "country: определить страну поставщика из адреса в header_text. Если адрес содержит 'NETHERLANDS' или 'NL' - страна 'Netherlands'.",
  "awb: извлечь из header_text по паттерну 'MAWB' или 'HAWB' + пробелы + буквенно-цифровая последовательность. Если несколько, взять первую.",
  "items: массив объектов, извлекаемых из header_text. Каждая товарная позиция описывается строкой, содержащей 'DESCRIPTION', 'VAT IN EUR', 'CHARGES IN EUR'.",
  "items[].box_number: сгенерировать на основе invoice_number и порядкового номера позиции, например, 'INV-522507-1'.",
  "items[].box_marking: не применимо для данного типа инвойса (нет данных о типе/размере коробки). Оставить пустым.",
  "items[].boxes: всегда 1, так как каждая позиция считается отдельной единицей.",
  "items[].plantation: не применимо для данного типа инвойса (нет данных о ферме). Оставить пустым.",
  "items[].category: извлечь из описания товара в header_text. Если содержит 'Surcharge' - категория 'Surcharge'.",
  "items[].variety: извлечь из описания товара в header_text. Если содержит название сорта (например, 'Peak Season') - использовать его.",
  "items[].length: не применимо для данного типа инвойса (нет данных о длине). Оставить пустым.",
  "items[].quantity: извлечь из описания товара в header_text по паттерну 'KG @' + число. Преобразовать в число.",
  "items[].unit_price: извлечь из описания товара в header_text по паттерну '@ USD' + число. Преобразовать в число, удалив '$'.",
  "items[].total_price: извлечь из header_text по паттерну 'CHARGES IN EUR' + число в строке товара. Преобразовать в число, удалив 'EUR' и запятые.",
  "summary.total_boxes: равно количеству элементов в items[], так как каждая позиция = 1 коробка.",
  "summary.total_stems: не применимо для данного типа инвойса (нет данных о стеблях). Оставить null.",
  "summary.total_amount: извлечь из header_text по паттерну 'TOTAL EUR' + число. Преобразовать в число, удалив 'EUR' и запятые.",
  "processing_report.status: 'ok', если удалось извлечь invoice_number, invoice_date, supplier, awb, и items не пуст. Иначе 'error'.",
  "processing_report.items_count: количество элементов в items[].",
  "processing_report.sum_stems: сумма items[].quantity.",
  "processing_report.sum_amount: сумма items[].total_price.",
  "processing_report.sum_boxes: количество уникальных items[].box_number.",
  "processing_report.expected_stems: summary.total_stems (если есть, иначе null).",
  "processing_report.expected_amount: summary.total_amount.",
  "processing_report.expected_boxes: summary.total_boxes.",
  "processing_report.discrepancies: массив строк, описывающих расхождения между sum_amount и expected_amount, sum_boxes и expected_boxes.",
  "processing_report.notes: строка, описывающая тип инвойса (плоский), количество позиций, и любые проблемы при извлечении данных."
]

Сырой OCR JSON (Pass 1)

{
  "awb": null,
  "items": [
    {
      "boxes": 1,
      "length": "",
      "variety": "Peak Season",
      "category": "Surcharge",
      "quantity": 355,
      "box_number": "INV-522507-1",
      "plantation": "",
      "unit_price": 0.65,
      "box_marking": "",
      "total_price": 193.76
    }
  ],
  "country": "Netherlands",
  "summary": {
    "total_boxes": 1,
    "total_stems": null,
    "total_amount": 193.76
  },
  "supplier": "RTA AIR & SEA",
  "invoice_date": "28-Feb-26",
  "invoice_number": "522507",
  "processing_report": {
    "notes": "Invoice type: flat. 1 item positions found. No issues found.",
    "status": "ok",
    "sum_boxes": 1,
    "sum_stems": 355,
    "sum_amount": 193.76,
    "items_count": 1,
    "discrepancies": [],
    "expected_boxes": 1,
    "expected_stems": null,
    "expected_amount": 193.76
  }
}

Результат (Pass 2)

История (последние 20)

ID	Файл	Дата