工程实验数据工具：传统行业里的重复录入到底有多重
工程实验数据工具是我这段时间最复杂、也最不适合公开完整展示的项目。
它涉及真实实验流程、旧软件、Excel 模板、数据库备份、规则表、参数校验和结果回填。很多内容不能直接公开写，所以这里只做脱敏复盘。
但这个项目对我很重要。
它让我第一次真实感觉到：传统行业里的提效，不是写一个好看的网页就够了。真正的问题往往藏在旧软件、Excel、人工判断、历史数据和一堆没人愿意整理的细节里。
问题不是“没有软件”，而是软件之间断开了
工程实验室并不是没有软件。
相反，软件很多。
有实验仪器自己的采集软件，有行业软件，有 Excel 模板，有数据库备份，有 Word 报告，有各种导入导出文件，还有很多只能靠人工复制粘贴的中间步骤。
麻烦在于，它们并没有真正连成一条顺畅的流程。
一个样品从原始数据到最终成果，中间可能要经历：
1 | |
每一步都不是特别难，但每一步都容易出错。
编号错一个、小数位错一个、含水率对应错一个、土类备注漏一个，最后都可能让人重新返工。
Excel 是系统，也是风险源
这个项目里，Excel 不是普通表格。
它承担了很多“系统”的功能：公式计算、参数规则、条件分布、图表、导入脚本、备注映射、随机扰动、结果回填。
很多传统行业都是这样。Excel 既是数据表，也是业务规则，也是半个软件。
这有好处。Excel 灵活，业务人员能打开、能看懂、能改。
也有坏处。公式散在各个 sheet 里，规则藏在某些单元格里，列宽行高都可能影响使用体验，某个公式被误改以后很难发现。
所以这个工具不是简单替代 Excel，而是围绕 Excel 工作。
我后来更愿意把它理解成：
不是把 Excel 干掉，而是把 Excel 周围那些重复、危险、难追踪的动作尽量自动化。
最难的是旧软件边界
旧软件最麻烦的地方，是它不一定给你开放清楚的接口。
有些数据在 Access 数据库里，有些在二进制文件里，有些可以导入，有些只能通过界面录入，有些看起来能读，但读出来并不知道每个字节代表什么。
我一度想直接解析某些原始文件，把结果写回去。
后来发现，这里面风险很高。尤其是涉及实验曲线、固结、直剪这种原始采集数据时，最终参数不是一个简单数字，而是由曲线、荷载、变形、时间、计算方法共同决定的。
如果我不能理解原始二进制数据和软件显示结果之间的精确关系，就不能轻易修改它。
这也是传统行业工具里很重要的边界：
能读到文件，不等于理解数据；能改文件，不等于改出来可靠。
最后更现实的做法，是把能稳定读取和生成的部分先做好，对于难解析的部分，用导入文件或模拟录入去绕开。
这不优雅，但更稳。
AI 在这个项目里做了什么
AI 不是替我判断土工参数。
它主要帮我做几类事：
- 读代码、改代码、定位报错；
- 分析 Excel 模板结构；
- 写数据库读取和导出逻辑；
- 生成规则表和说明；
- 调试 Windows 打包问题；
- 解释错误日志；
- 帮我把复杂流程拆成可执行步骤。
真正的业务判断仍然要人来做。
比如某个参数范围是否合理，某个土类映射是否正确，某个曲线能不能反推，某个规则会不会导致结果过度集中，这些不是模型凭空能判断的。
我能做的是把业务经验、历史数据、规则表和软件流程放进一个可验证的工具里，再不断用真实文件测试。
这个项目为什么难
它难，不是因为界面复杂。
界面其实很简单。按钮、日志、选择文件、生成 Excel、生成回填文件。
真正难的是：
- 数据来源乱：旧数据库、Excel、截图、备份文件、人工备注都有。
- 规则复杂：不同土类、含水率、深度、范围、相关性都要考虑。
- 错误后果不明显：文件能打开，不代表结果合理。
- 用户流程长：生成参数只是其中一步，后面还要检查、回填、导入。
- 边界很敏感：不能把“辅助修正”写成“自动替代专业判断”。
这个项目让我对“企业 AI 落地”有了更清醒的认识。
很多时候，AI 提效不是把一个模型接进去，而是把原本散乱的流程重新整理一遍，再把 AI 放到合适的位置。
现在留下什么
这个项目后来因为现实原因暂停了。
但它留下的东西很多。
我更熟悉了旧软件、Excel、Access、Windows 工具、模拟录入、规则表、说明文档和用户反馈之间的关系。也更清楚哪些事情适合 AI，哪些事情必须保留人工确认。
如果以后再做企业 AI 落地项目，我会优先问这些问题：
- 数据从哪里来？
- 当前人工怎么处理？
- 哪一步最容易错？
- 有没有固定模板？
- 结果怎么验收？
- 出错谁负责？
- 能不能先做小范围试点？
这些问题比“用哪个模型”更重要。
工程实验数据工具没有变成一个公开产品，但它是一个很扎实的内部流程工具案例。它让我知道，传统行业里的 AI 提效不是讲概念，而是要钻进具体流程里，把那些反复发生的小麻烦，一个一个接起来。