智能体工程 · 11p
原图换了位置,下一位维护者怎样找到同一份材料?
读完能做的判断:用指纹、修订正文与复核范围建立可核验交接,不覆盖旧候选。
OCR复核交接与发布前校验
⏱ 阅读约 28 分钟 · 动手实践另计
本章保留教学代码、路径说明与历史验证结论;完整实验工程和运行记录未随本站及公开仓库分发。命令用于说明调用方式,复现需自行准备对应实现、数据与环境。
本章保留第十三批的交接规则与待复核记录。后续11q · 中文文档纠错到入库演示原创参考驱动的独立教学库,不改变本章的人工复核与发布门槛。
一句话带走:交接时要锁定“哪张原图、哪份候选、哪版修订、哪些必查项”;清单完整只表示材料能继续核对,发布仍需可信人工验收。
OCR 复核交接流程
先看第 1 节的交接包,再到第 4 节核对旧复核不能批准新文字的原因。离线演示比较真实候选与合成记录。处理链为原图 → 候选 → 修订与清单 → 逐项复核 → 外部验收。
本章承接中文文档解析与字段复核,解决“候选产生后,怎样把待办交给下一位复核者”。复用既有校验,不重新识别图片;表格分块仍等待可信结构。
1. 交接包要让接收者找到同一份材料
想象你把“拆伯”改成了“拆卸”,随后只发出一份文字。接收者不知道这是哪个页面,也不知道修改前的输出是什么,更无法判断复核意见是否针对当前版本。把 reviewer 填成某个姓名,并不能补齐这些信息。
实验用五件材料完成交接:原始 PNG、保存的候选、修订记录、必查清单、复核记录。候选保留当时引擎配置和原TSV;修订另存,不覆盖候选。清单声明这次必须核对哪些字段、哪些页的表格行,以及尚未解释的问题。
输出 handoff-manifest.json 记录每件文件的路径、字节数和 SHA-256,并列出阻断项、待复核项、下一步。接收者可以据此重新核对文件;哈希只识别内容,无法证明材料来自可信机构或某人真的读过图片。
检查点 1:交接时最容易遗漏的材料是什么?
除了原图和文字,还容易漏掉“本次检查范围”。没有必查清单,删掉难核对的一行也可能让剩余项目全部勾满。清单自身需要绑定并保存;其范围是否充分,仍由可信复核过程判断。
2. 先运行不需要OCR环境的演示
以下以 knowledge-assistant 为示例工作目录。本章只需 Python 标准库;不需要 Tesseract、语言包、模型服务或网络。对应 Python 命令为:
python -X utf8 -m unittest test_ocr_handoff_lab -v
python -X utf8 fixtures/ocr-handoff/demo.py --output .runtime/handoff-first
输出目录必须全新。演示会调用真正的交接 CLI,保存每次输入、退出码、stdout、stderr、交接清单与汇总。它读取两份按字节保存的历史中文 OCR 候选,同时运行另外15个合成案例;两组计数独立。
历史文件来自第十二批原创公开检修卡与参数表,并非生产扫描件。本次不重跑其 OCR,也不填写真实人工意见。原示例 saved-source-provenance.json 记录原保存位置和副本哈希。两张实际 PNG 仍在 fixtures/chinese-documents。
检查点 2:演示退出码为0,为什么真实候选仍可能待复核?
demo 的0表示所有预期边界都被观察到,包括应该阻断的负例。单次 check 的0只表示记录结构完整;1表示待复核或阻断,2表示输入读取失败、格式拒绝或输出目录已存在。三者都不授权发布。
3. 原图搬家可以,旧候选不改写
旧候选保存了作者电脑的绝对路径。把材料复制到另一台机器后,该路径通常不存在。不要把旧 JSON 里的路径改成自己的路径再沿用原哈希;这会改变候选内容,旧复核也失去绑定。
交接 CLI 要求显式 --image,先检验实际PNG及其哈希,再与候选里的原图哈希比较。原记录路径与当前核验路径会一同留在清单。只移动文件且字节相同可以继续;换图、损坏PNG或文字被改写,都不能借用旧绑定。
现有中文候选与基础OCR模块使用不同的JSON封印格式。新模块先核对中文候选原封印,再建仅在内存中的校验视图,复用 ocr_lab.validate_review 的五项检查。原候选没有被重写或“升级”为新OCR结果。
检查点 3:新路径能打开一张看起来一样的图片,就足够吗?
不够。重新压缩、重新截图甚至一个像素的变化,都可能产生新文件。校验只接受与原候选绑定的字节;新图片要作为新证据走完整流程。外观相似不能替代内容绑定。
4. 修订正文与复核范围必须一起绑定
revision-template.json 带有修订编号、原候选/图片绑定、全文、字段和表格行。准备模板时只复制候选文字作为待改起点,字段value/unit保持null,不从参考答案中自动填写。review-template.json 的五类检查、逐字段检查和逐行检查均从未填写开始。
新复核额外绑定整个修订和清单的哈希。改正文、换修订编号、删除清单里的压力项,再拿旧复核来检查,都会得到 stale_handoff_review。即使内容变化只有一个否定词,也必须重新对照原图。
准备新模板不会继承旧记录中已勾选的检查。原复核文件保留,manifest保存其哈希;新版本的复核者、勾选和说明重新留空。否则程序复制一次,就可能把“看过旧候选”误当作“看过新修订”。
检查点 4:自己重新计算哈希,是否等于完成重新复核?
不是。重新绑定只表达“记录声称针对这份材料”,没有身份或语义保证。生产接收者还要通过可信流程核对身份、检查范围和原图。本教学脚本没有签名系统,任何结构完整结果都保留外部验收要求。
5. 数字、单位和字段标签不能拆开过关
清晰卡必查型号、压力、电流、状态。修订中的数字以字符串保存,例如 0.0500,避免序列化成浮点数后丢掉尾零。数值字段必须同时有数字和单位;null表示尚待填写,缺键、空单位或非法数字则阻断。
字段不能只检查关键词存在。修订写“压力:9 MPa”,另一个段落写“0.65 MPa”,不能支持结构化字段“压力=0.65 MPa”。实验复用完整标签行匹配;重复同名标签也不给分。字段集合必须与清单一致,删除未完成字段不会缩小分母。
这里的匹配只核对“结构化值和修订文字一致”。两者若一起写错仍可能一致,因此还需要人对照原图;单位是否适用、否定词是否遗漏,也不由正则表达式决定。统一的 numbers_units 勾选之外,每个要求的字段还有独立说明。
检查点 5:字段字面匹配通过,可以认为压力数值正确吗?
只能认为两份记录相互一致。若原图写0.65,两份记录都写9,程序的一致性检查无法证明真伪。测试故意保留这种边界,结果中的 semantic_correctness 仍为null。
6. 表格关系必须逐行说明,未决问题不能消失
表格第2页清单要求 r03 对应页2的ZX-43、r04 对应页2的ZX-44。每行分别保存page、row_label、value、unit;修订全文中要出现完整的一行三元组。页面错配、行被删掉、值和单位分属不同记录,都不能只靠总勾选放行。
这是一种有界的交接格式:正文行采用 型号 | 数值 | 单位,没有页码或行ID。因此,整份清单的行标经过NFKC与去空白后必须唯一;同页或跨页重名均阻断,即使数值不同。否则两页同值可能借用唯一的一行正文;两页异值也无法在此格式中明确各自归属。跨页同名应保留更清晰的页/行证据格式,不能修改型号来绕过限制。
脚本不会从像素发现单元格,也不推断跨页关系。逐行检查的备注需要说明核对了什么,但“备注非空”仍不证明核对真实发生。
第2页的 ZX-45/ZX-46 合并末行,只有“待复核、共用上限”,没有明确数字或单位;它保存在 unresolved_questions。两条明确行不能代表全页,末行也不能复制上一行的MPa。此处维持blocked,等待来源澄清与人工处理。
检查点 6:把未决问题删除后,程序还一定能发现原图的歧义吗?
旧复核会因清单变化失效。但若有人重新编造整套记录并绑定,脚本没有理解像素的能力,无法保证发现遗漏。因此可信接收过程必须独立审查清单范围;哈希不是防伪签名,不能替代这一步。
7. 读实际结果时分开三个状态
2026-10-13,本批对保存的候选和合成记录执行交接 CLI,结果如下。29项新测试通过;与既有OCR/中文模块定向回归共65项通过,其中旧中文smoke实际运行,但不计入本章交接样本分母。
| 输入组 | 结构完整 | 待复核 | 阻断 | 实际含义 |
|---|---|---|---|---|
| 两份历史OCR候选 | 0 | 1 | 1 | 清晰卡待填;表格还存在未决关系 |
| 15个合成边界案例 | 1 | 1 | 13 | 检验改图、过期复核、缺项及重复行标等门槛 |
唯一结构完整的夹具特别使用一张没有文字的2×1像素PNG,却配有作者编写的中文修订。这不是可用OCR样本,恰好证明“哈希一致、表格字段齐全、reviewer非空”仍不能证明文字来自图片。它只检验校验器的结构行为。
所有结果都保留 publication_allowed=false、identity_authenticated=false、human_acceptance=null。结构完整时下一步为外部身份与语义复核;存在pending时回到原图逐项填写;存在blocked时先修复错配或澄清来源。没有自动入库、模型复核或发布。
检查点 7:为什么要保留一个“图文不符却结构完整”的夹具?
它让能力边界可复现。若教材只展示漂亮勾选表,很容易把结构校验当成验收。合成夹具不参加真实人工通过率统计;本轮真实人工复核数量为0。
8. 接手下一次复核时先做三件事
先打开manifest指出的原图、候选与清单,确认范围和版本;再逐项解释缺什么证据,修订文件另存;最后在可信身份和人工流程下复核当前版本,并保存新记录。接收方应重新运行校验,不能只看发件人截图中的绿色状态。
想单独体验清晰卡,可使用下面命令。它只生成待填材料,预期退出码1;若想再次运行,换一个新输出目录。填好的真实复核需要由负责的人对照图片完成,本章没有提供自动填表指令。
python -X utf8 ocr_handoff_lab.py prepare --candidate fixtures/ocr-handoff/saved-clean.candidate.json --image fixtures/chinese-documents/clean.png --review fixtures/ocr-handoff/saved-clean.review-template.json --checklist fixtures/ocr-handoff/real-clean.checklist.json --output .runtime/handoff-clean
本章沿用语雀106/112的解析和表格选题;此前只看到PDF附件入口,附件正文未读。这里的交接格式、夹具、代码和结果均为本项目原创,不引用其附件中的流程或准确率。
在 summary.json 中区分 saved_real_ocr 和 synthetic_fixture 两个分母。结合原图与记录,说明清晰卡为什么待复核、表格为什么阻断,以及合成结构完整为什么仍不能发布。
检查点 8:这一章完成后,还缺哪些真正的发布条件?
还缺可信身份、原图来源与范围审查、独立人工语义和表格关系确认,以及业务系统自己的发布授权。本工具只交付可重新核对的材料;输入校验期间被改写也会拒绝生成核验清单。