自由职业者每到季度末都有一场固定仪式：翻出一堆皱巴巴的收据照片、六种货币的PDF发票，然后面对会计那句“哪些含增值税”。有人干脆把整个文件夹交给一个跑在自己笔记本上的小工具，几分钟后拿到一张干净的支出看板。
这个工具叫 Receipt Box，核心是一件事：所有文件都不离开本机。照片和PDF交给本地运行的开放权重视觉模型 Gemma 3（4B），识别出卖家、日期、总额、增值税、货币，以及软件、差旅、餐饮这类分类。整个应用唯一的网络请求，指向 localhost。
它到底吐出什么
识别完不是给一段文字，而是直接生成可用的账目结构：
- 看板：总支出、可退增值税、按类别和按月的支出分布
- 按季度汇总的增值税表——这是自由职业者真正要交出去的那个数
- 可编辑表格：4B模型有时会错，所以每个单元格都能改
- 重复检测：同一张发票传两次会被标出来，而不是算两遍
- 多币种并列查看，金额从不做换算
- 导出 CSV 或 Excel 工作簿，直接发给会计
表格的可编辑性不只是修错。改一次某个卖家的分类，应用会记住这条规则，存进 rules.json，之后这个卖家自动按同样方式归类。作者的说法很直白：模型被允许出错，提示词要求它只用纸面上印着的信息、不许猜，剩下的交给人工修正表和学到的卖家规则。
结构化输出省掉了整条重试链
每张图都带着一个 JSON schema 送进模型，字段固定为卖家、日期、总额、增值税、货币、分类，其中分类被约束在一个固定列表里。结果是回复永远能解析，不需要正则，也不需要重试循环。
PDF走了两条路：带文本层的直接抽文字给模型，更快；扫描件用 PyMuPDF 渲染成图片，走视觉通道。处理是排队进行的，页面上显示“正在读取 5 个中的第 2 个：name.png”，而不是让界面卡死。
速度上作者没有粉饰：在 CPU 上，一张收据大约要 15-20 秒。逐条明细提取更慢，所以默认关闭。想换更大的 Gemma 或者上 GPU，改一行环境变量 RECEIPT_MODEL 就行。
为什么非要本地跑
收据大概是一个自由职业者最敏感的“无聊数据”：你给谁干活、去了哪、花了什么钱。走闭源 API 就意味着在便利和隐私之间二选一，而这恰恰是最在意隐私的那批客户流失的地方。
开放权重模型把这个取舍抹掉了。文件不出笔记本，就没有东西可泄露、可留存、可拿去训练；没有按张计费的 API 账单，产品定价不绑在别人的价目表上；没网也能用，火车上、客户办公室里都行；将来有更好的开放模型，改一个环境变量就能换。
作者对买家的判断也很具体：想要记账帮助、但不能也不该把客户发票、行程单据和私人收据传到云端的自由职业者和小型工作室，以及服务他们的会计——桌上堆着几十个客户的单据时，“什么都不会离开这台机器”是能对客户做出的承诺。他设想的收费方式是一次性授权，或者按会计席位收小额月费。
部署上还有一条路径：同一套应用可以通过 Blueprint 部署到 Render，一个把 Gemma 3 烤进 Docker 镜像的私有 Ollama 服务，Web 应用通过 Render 的私有网络与它通信，模型从不暴露在公网。Gemma 3 4B 大约需要 4-5 GB 内存，所以那个服务跑在大规格实例上。在自己的笔记本上，这些都不需要。
数据层——重复检测、季度划分、规则、导出——用 pytest 覆盖了测试。仓库里还放了三个虚构的示例文档，一张PDF发票和两张不同货币的收据图片，拖进去就能看着看板被逐份填满。
热门跟贴