给 AI 生成页面加一道数字核验关
LabChure 在发布前将生成内容中的带单位数值与价格规范化,先核对引用段落,再搜索全部上传文件。未匹配项会触发待审状态和 409 响应,编辑后需重新核验,也允许人工明确放行。
AI 深度解读
LLM 把规格书改写成网页,文字可以很顺,参数却可能从「12 kW」变成「15 kW」。LabChure 的做法是在发布前加一道程序校验:把页面里的数字与上传文件核对,找不到依据就拦下,交给人处理。
这套方案值得看的地方,是它把确定性检查、模型复核和人工放行串成了发布流程。但它能证明的主要是「这个数值在材料中出现过」,距离「这句话里的参数用对了」还有一段路。
发布前拦数字,比让模型保证准确更具体
LabChure 把 PDF、PPTX、DOCX、HWP、图片等材料转换成带独立 URL 的网页宣传册。作者认为,生成页面容易,守住数字更难,于是给发布流程加了校验关卡。
程序检查两类内容:一类是带单位的数字,例如 mm、kg、kWh、Hz、rpm、°C、%、inch;另一类是价格,包括 ₩、$、€、¥、£,以及带 KRW、USD 的金额。
匹配前,两边都经过 Unicode NFKC 规范化,转为小写,并去掉空格和千位分隔符。因此,「1,200 mm」与「1200mm」会被当成同一个标记。NFKC 可以理解为先统一部分字符的不同书写形式,减少格式造成的误报。
检查先查当前章节引用的原文片段,找不到再查用户上传的全部文件。仍然没有匹配项,页面就进入「needs review」,发布 API 返回 409,编辑器提示「文档中未找到:15 kW」。用户可以修改,也可以点「Publish anyway」继续发布。
这道关卡保证的是异常会被明确处理,用户仍然可以主动放行。
编辑后重新检查,校验结果才不会过期
作者把校验接进了内容变更流程。
AI 编辑完成后,程序自动重跑检查。人工编辑后,页面重新进入「needs review」,直到用户再次检查,或者选择「Publish anyway」。
完整生成还有一次修复机会:首轮审查标记出有问题的章节后,模型只能尝试修复一次,然后再次接受审查。原文没有提供这次修复的成功率,也没有解释为什么选择一次,但流程边界是明确的。
为了让章节保留可追溯的依据,系统会保存各节引用的原文片段。检索直接在 SQL 数据库里完成,没有单独部署向量数据库;向量搜索与全文关键词搜索的结果通过 RRF 合并,参数为 k=60。可以把 RRF 理解为按各路搜索结果的排名综合排序。
这里对日常 AI 应用开发最有用的启发,是把「正文、引用、审查状态」放在同一条生命周期里。正文一变,旧的通过状态就不能继续沿用。
真正麻烦的是文档里的单位长得不一样
作者列出的几个故障,比泛泛讨论模型幻觉更有参考价值。
源文件写「120 C」,页面写「120 °C」,最初被判不匹配。后来他们在匹配前去掉度数符号,并将数字后的单独 C 识别为摄氏度。
源文件写「19-inch」,韩文页面写「19인치」,也会出错。修复方式是把源文件中数字与单位之间的连字符视为空格,再将「인치」映射为 inch。
还有一种更隐蔽的情况:检测证书把单位放在列头「Mass Fraction (%)」,单元格里只有「17.803 ± 0.099」。原来的正则要求单位跟在数字后面,因此没有识别这些值,最终页面漏掉了成分数据。他们为表头增加了独立模式,没有直接放宽主正则,因为发布关卡也共用那套正则。
这说明,提取规则不仅影响拦截,也影响哪些信息能进入生成页面。规则太窄会漏内容,放得太宽又可能损害校验。
扫描页和图片中的文字按页读取。读不了的页面不会被使用,文件列表会显示「Read X of Y pages」。不过,作者也承认 PDF 表格可能出现行错位,缺乏清晰结构的文档尤其容易出问题。
我的判断
我认同先用程序检查一部分可确定的内容,再让模型补位。与单靠提示词要求「不要改数字」相比,这种做法有明确的失败状态,也能把具体问题交给编辑处理。
但它不是事实正确性的完整证明。假设多个产品的参数都在同一批材料里,全文件搜索找到了「15 kW」,也不能证明它属于当前介绍的产品。原文没有交代如何验证数字与产品、字段之间的对应关系。
覆盖范围同样有限:无单位数字,以及 g、m、W、V、lb 这些短单位,不进入这道程序校验,而是由第二轮模型逐节对照来源。日期和普通数字仍可能漏检。
作者没有给出准确率、漏报率或对照实验,这是一套有实际故障支撑的工程经验,还不能当作效果已经量化验证的方案。
原文也没说清「Read X of Y pages」之外,系统是否会阻止用户根据不完整材料发布。页面缺少信息与页面写错数字,是两种需要分别处理的问题。
能拿来做什么
- 做文档转网页、产品资料页或 AI 改稿功能时,可以先检查带单位的参数和价格;在编辑器里展示具体异常值,让用户能直接定位和修改。
- 在 Node 发布接口中加入审查状态校验,并让前端处理 409;每次 AI 或人工编辑后,都按约定重新检查或撤销旧的通过状态。
- 保存每个章节引用的原文片段,优先在局部来源中核对;如果回退到全文件搜索,也要考虑参数是否属于当前对象,不能只判断数字是否出现。
- 用真实材料整理回归样本,至少覆盖温度符号、连字符单位、跨语言单位、表头单位和 PDF 表格错行,逐项确认提取与校验会怎样失败。