把文档规范性校验做成可审计的 AI 流程

工程数据校验常被误解为“大模型读一读文件”。真正困难的是把属性表、数据表和设计规范中的不同表述对齐：例如一个字段叫“过程连接尺寸”，另一份表中可能写作“法兰尺寸及密封面”；有些字段缺失，有些数值受单位和工况限制。

规则层与语义层分工

格式、必填、范围、单位换算、位号模式等确定性检查应由规则引擎完成。这类规则必须版本化，能明确指出违反了哪一条。字段别名、备注解释、相近概念判别则可交给语义模型，但模型输出应是“候选映射及理由”，不能直接覆盖标准字段。

建立字段映射字典

映射字典至少包含标准属性、别名、英文名、适用对象、单位、数据类型与校验规则。对每次成功或失败的人工确认进行记录，逐步积累企业自己的术语资产。这样模型负责处理未知表达，字典负责把可复用经验固化下来。

校验结果要可复核

每条问题应有严重等级、规则编号、对象、标准值、发现值、来源文件和页面/单元格位置。对模型参与的判断增加置信度与原始证据，并提供“确认、误报、忽略、修正规则”几个闭环动作。没有复核入口的 AI 校验，只是在制造另一份难以追责的结果。

用风险驱动自动化

高风险字段（安全阀设定值、设计压力、介质类别等）应要求严格规则或人工终审；低风险的格式类问题可以自动修复或批量建议。将“自动通过、需要复核、明确不合格”分层处理，既能节省人力，也不会把自动化变成新的安全隐患。

好的智能校验系统并不追求替代所有审核者，而是把审核者的注意力集中到真正需要专业判断、且有完整证据支撑的少数问题上。