diff --git a/README.md b/README.md
new file mode 100644
index 0000000..2a28e97
--- /dev/null
+++ b/README.md
@@ -0,0 +1,146 @@
+# 信封信息提取系统
+
+工厂环境下信封背面信息的自动化提取与结构化录入工具。
+
+## 功能特性
+
+- 自动识别信封图片中的文字信息
+- 结构化提取：编号、邮编、地址、联系人、电话
+- 支持批量处理，结果导出为 Excel
+- 提供 Web 界面，操作简单
+
+## 系统要求
+
+| 项目 | 最低配置 | 推荐配置 |
+|------|----------|----------|
+| CPU | 4 核 | 8 核 |
+| 内存 | 4 GB | 8 GB |
+| 硬盘 | 2 GB | 5 GB |
+| 系统 | Ubuntu 20.04 / Windows 10 | Ubuntu 22.04 |
+| Python | 3.8 | 3.10 |
+
+## 快速开始
+
+### 1. 安装依赖
+
+```bash
+# Ubuntu 需要安装系统依赖
+sudo apt-get install -y libgl1-mesa-glx libglib2.0-0
+
+# 安装 Python 依赖
+pip install -r requirements.txt
+```
+
+### 2. 运行方式
+
+**命令行批处理**
+```bash
+# 将图片放入 data/input/ 目录
+python src/main.py
+
+# 结果保存在 data/output/result.xlsx
+```
+
+**Web 界面**
+```bash
+streamlit run src/app.py --server.port 8501
+
+# 浏览器访问 http://localhost:8501
+```
+
+## 部署方案
+
+### 方案一：内网服务器部署（推荐）
+
+适合多人使用，有内网环境的工厂。
+
+```bash
+# 启动服务（监听所有网卡）
+streamlit run src/app.py --server.address 0.0.0.0 --server.port 8501
+
+# 工人通过浏览器访问: http://服务器IP:8501
+```
+
+### 方案二：Docker 容器化部署
+
+适合需要隔离环境或快速部署的场景。
+
+```bash
+# 构建镜像
+docker build -t envelope-ocr .
+
+# 运行容器
+docker run -d -p 8501:8501 --name envelope-ocr envelope-ocr
+```
+
+Dockerfile:
+```dockerfile
+FROM python:3.10-slim
+RUN apt-get update && apt-get install -y libgl1-mesa-glx libglib2.0-0 && rm -rf /var/lib/apt/lists/*
+WORKDIR /app
+COPY . .
+RUN pip install --no-cache-dir -r requirements.txt
+EXPOSE 8501
+CMD ["streamlit", "run", "src/app.py", "--server.address", "0.0.0.0"]
+```
+
+### 方案三：系统服务（开机自启）
+
+适合长期稳定运行的生产环境。
+
+创建服务文件 `/etc/systemd/system/envelope-ocr.service`:
+```ini
+[Unit]
+Description=Envelope OCR Service
+After=network.target
+
+[Service]
+User=www-data
+WorkingDirectory=/opt/post-ocr
+ExecStart=/usr/bin/streamlit run src/app.py --server.address 0.0.0.0 --server.port 8501
+Restart=always
+RestartSec=5
+
+[Install]
+WantedBy=multi-user.target
+```
+
+启用服务:
+```bash
+sudo systemctl daemon-reload
+sudo systemctl enable envelope-ocr
+sudo systemctl start envelope-ocr
+```
+
+## 目录结构
+
+```
+post-ocr/
+├── data/
+│   ├── input/          # 原始图片存放处
+│   └── output/         # 结果 Excel 及处理日志
+├── src/
+│   ├── main.py         # 命令行入口
+│   ├── app.py          # Web 界面
+│   └── processor.py    # 核心处理逻辑
+├── requirements.txt
+└── README.md
+```
+
+## 技术栈
+
+- OCR 引擎: PaddleOCR 2.10 (PP-OCRv4)
+- Web 框架: Streamlit
+- 数据处理: Pandas
+
+## 常见问题
+
+**Q: 识别准确率不高怎么办？**
+- 确保图片清晰、光线充足
+- 避免图片倾斜或模糊
+- 手写字体识别率较低，建议使用印刷体
+
+**Q: 处理速度慢？**
+- 首次运行需下载模型（约 200MB）
+- 有 GPU 可安装 paddlepaddle-gpu 加速
+- 批量处理时建议使用命令行模式
diff --git a/requirements.txt b/requirements.txt
index 28c8beb..feb491a 100644
--- a/requirements.txt
+++ b/requirements.txt
@@ -1,6 +1,7 @@
-paddleocr
-paddlepaddle
+paddleocr>=2.6,<3
+paddlepaddle>=2.5,<3
 pandas
 openpyxl
 pydantic
 tqdm
+streamlit
diff --git a/src/app.py b/src/app.py
new file mode 100644
index 0000000..63eeee5
--- /dev/null
+++ b/src/app.py
@@ -0,0 +1,88 @@
+import os
+import tempfile
+import pandas as pd
+import streamlit as st
+from paddleocr import PaddleOCR
+from processor import extract_info, save_to_excel
+
+os.environ["PADDLE_PDX_DISABLE_MODEL_SOURCE_CHECK"] = "True"
+
+st.set_page_config(page_title="信封信息提取系统", page_icon="📮", layout="wide")
+st.title("📮 信封信息提取系统")
+
+
+@st.cache_resource
+def load_ocr():
+    return PaddleOCR(use_textline_orientation=True, lang="ch", show_log=False)
+
+
+ocr = load_ocr()
+
+
+def process_image(image_file):
+    """处理单张图片"""
+    with tempfile.NamedTemporaryFile(delete=False, suffix=".jpg") as tmp:
+        tmp.write(image_file.getvalue())
+        tmp_path = tmp.name
+
+    try:
+        result = ocr.ocr(tmp_path, cls=False)
+        ocr_texts = []
+        if result and result[0]:
+            for line in result[0]:
+                if line and len(line) >= 2:
+                    ocr_texts.append(line[1][0])
+        return extract_info(ocr_texts), ocr_texts
+    finally:
+        os.unlink(tmp_path)
+
+
+# 文件上传
+uploaded_files = st.file_uploader(
+    "上传信封图片（支持批量）",
+    type=["jpg", "jpeg", "png", "bmp"],
+    accept_multiple_files=True,
+)
+
+if uploaded_files:
+    all_records = []
+
+    progress = st.progress(0)
+    status = st.empty()
+
+    for i, file in enumerate(uploaded_files):
+        status.text(f"正在处理: {file.name}")
+        record, raw_texts = process_image(file)
+        record["文件名"] = file.name
+        all_records.append(record)
+        progress.progress((i + 1) / len(uploaded_files))
+
+    status.text("处理完成！")
+
+    # 显示结果表格
+    df = pd.DataFrame(all_records)
+    cols = ["文件名", "编号", "邮编", "地址", "联系人/单位名", "电话"]
+    df = df.reindex(columns=cols)
+
+    st.subheader("📋 提取结果")
+    st.dataframe(df, use_container_width=True)
+
+    # 下载按钮
+    output_path = tempfile.mktemp(suffix=".xlsx")
+    df.to_excel(output_path, index=False)
+    with open(output_path, "rb") as f:
+        st.download_button(
+            label="📥 下载 Excel",
+            data=f,
+            file_name="信封提取结果.xlsx",
+            mime="application/vnd.openxmlformats-officedocument.spreadsheetml.sheet",
+        )
+    os.unlink(output_path)
+
+    # 预览图片和识别详情
+    with st.expander("🔍 查看识别详情"):
+        cols = st.columns(min(3, len(uploaded_files)))
+        for i, file in enumerate(uploaded_files):
+            with cols[i % 3]:
+                st.image(file, caption=file.name, use_container_width=True)
+                st.json(all_records[i])