CoreCheck AI：工程资料图片核查为什么适合先做辅助
CoreCheck AI 是一个工程资料图片核查助手。
它的目标不是做一个“AI 一眼判断真假”的神奇工具，而是更现实一点：在一批工程资料图片里，先把可能重复、相似、异常的图片标出来，减少人工逐张翻看的成本。
这个方向看起来小，但我觉得挺适合 AI 落地。
因为它有三个特点：资料量大、人工核查烦、最终判断仍然需要人。
工程资料图片为什么麻烦
工程项目里经常会有大量照片。
现场照片、岩芯照片、采样照片、施工照片、设备照片、过程记录照片。每张照片单独看都不复杂，但数量一多，核查就很烦。
人工检查通常会遇到几个问题：
- 图片数量大，逐张看很耗时间；
- 有些图片很相似，容易漏；
- 文件命名不一定规范；
- 不同项目、不同日期、不同文件夹之间可能重复；
- 真正有问题的图片比例不高，但必须找出来。
如果完全靠人看，要么很慢，要么只能抽查。
但完全让 AI 判断真假也不现实。工程资料的真实性、合规性、现场背景，不是模型看一眼就能负责的。
所以更合理的位置是：AI 做筛查，人做确认。
先用本地特征，再用 AI 复核
CoreCheck AI 的思路不是所有图片都丢给大模型。
更稳的方式是先做本地扫描。
比如用图片哈希、尺寸、时间、文件名、相似度等特征，先把明显重复或高度相似的图片分组。这样能快速筛掉一部分问题，也能减少模型调用成本。
然后对可疑组再用多模态 AI 做复核，让它描述图片内容、比较差异、判断是否可能是同一场景或重复使用。
这个流程大概是：
1 | |
这里最关键的是最后一步：输出的是“人工确认清单”，不是“最终判定报告”。
为什么不能直接让 AI 判定
图片核查很容易被讲得太大。
比如“AI 自动识别造假”“AI 自动判断岩芯照片异常”。这些说法听起来很吸引人，但风险很高。
模型可能会看错。
图片可能有压缩、裁剪、角度变化。
同一个场景不同时间拍摄也可能高度相似。
不同场景如果纹理接近，也可能被误判。
工程资料还涉及现场背景和专业判断。
所以如果把 AI 放在最终责任位置，就不稳。
更合适的设计是：
- AI 标出可疑项；
- 给出相似原因和差异描述；
- 保留原图、路径、分组和判断依据；
- 由人工确认是否存在问题。
这样 AI 的价值是减少人工筛查范围，而不是替代人做最终结论。
这个项目能展示什么能力
CoreCheck AI 对我来说，不只是一个图片工具。
它展示的是另一类 AI 落地方式：不是生成文本，而是做资料质检。
很多企业资料不是缺少写作能力，而是缺少检查能力。
比如：
- 附件有没有漏；
- 图片有没有重复；
- 表格和报告是否一致；
- 文件命名是否规范；
- 项目资料是否齐全；
- 前后版本有没有冲突。
这些事情不一定需要一个很大系统。先做一个本地工具，导入一批资料，输出可疑项清单，就能帮人节省时间。
AI 很适合做第一轮筛查，因为它可以处理大量低价值重复判断，让人把注意力放在真正可疑的地方。
和企业 AI 落地的关系
我后来越来越觉得，企业 AI 落地不一定从“知识库问答”开始。
知识库有用，但不是所有企业都缺一个问答框。很多企业更缺的是：
- 资料有没有整理好；
- 成果有没有漏；
- 报告有没有错；
- 文件有没有重复；
- 台账有没有对上。
这些问题更接近“质检”和“流程控制”。
CoreCheck AI 就属于这一类。
它不是通用智能体，而是一个窄场景工具。它只做一件事：帮你把图片资料里的可疑项先找出来。
这种工具没有那么炫，但更容易落地。
下一步如果继续做
如果继续推进 CoreCheck AI，我会优先补几个能力。
第一，输出更清楚的核查报告。
不只是列图片，还要把相似组、相似原因、文件路径、建议动作整理出来。
第二，支持项目文件夹结构。
工程资料往往按项目、孔号、日期、附件分类，工具要尊重原有目录结构。
第三，增加人工标记反馈。
人工确认以后，工具应该记录哪些是误报，哪些是真问题，后续可以改进阈值。
第四，处理更多资料类型。
图片只是第一步，未来也可以扩展到 PDF 附件、Word 报告、Excel 台账之间的一致性检查。
对我来说，这个项目提醒我：AI 落地不一定要从“让 AI 说更多话”开始。有时候，让 AI 少说一点，只把可疑项列清楚，反而更有用。