《大话文渊慧典》：四
《文渊慧典》开发手记之四：开发目的
——小菜：“大胖老师，咱们做的系统，有没有可能复杂到只有咱俩会用？”
——大胖老师：“那不叫系统，那叫学术遗产，专门留给下一届学生猜谜用的。”
一、一场发生在阅览室的真实对话
在经历了商业软件的血泪史和国际调研的眼界大开之后，大胖老师和小菜终于坐下来，开始认真琢磨“文渊慧典”到底要做成什么样。为了找灵感，大胖老师决定深入基层，去自家学校图书馆的古籍阅览室实地考察。小菜抱着笔记本跟在后面，准备记录需求。
两人刚进门，就听见管理员王大姐在接电话：
“喂？什么，你要查清代地契？……对，我们有，但只能看扫描图，没文字的。……你问怎么搜？没法搜啊，得一页一页翻图。……对，跟翻相册似的，一本八百多页呢。……什么，你问我有没有别的办法？孩子，我要有那神仙办法，我早就发Nature了。”
挂了电话，王大姐看见大胖老师，像见了救星：“胖教授！你可算来了！你们那个什么OCR，能不能快点搞出来？我这儿天天接这种电话，读者问我要文字版，我说没有；问我能复制吗，我说不能；问我能全文搜索吗，我指指头顶的老吊扇，说它比我还沉默。”
大胖老师笑着安慰：“别急，就是为了这个来的。王姐，我问你，如果我们给你一套系统，你希望它是什么样？”
王大姐脱口而出：“最好是那种，我把图片拖进去，它就自动把字吐出来，什么都不用我调。别让我输什么命令，我连拼音输入法都二指禅。也别让我上传到什么云上，馆长说了，古籍图片不能出馆。还有，别让我再配什么显卡，我用的这台电脑还是2015年的联想，开机得三分钟，只能办公，打不了游戏。”
小菜在一旁飞速记录，逐渐意识到：他们面对的最终用户，不是985的博士，不是硅谷的极客，而是千千万万个“王大姐”——全国图书馆、文献馆的普通馆员。这些人中，很多人一辈子没敲过一行命令，没装过一次Python环境，甚至不知道什么是终端。但她们手里握着最珍贵的文献，也最清楚读者的需求。
大胖老师把王大姐的话浓缩成一句扎心的真相：“如果一套系统，需要使用者先去B站学三天Python，那它的命运，就是躺在硬盘里吃灰，跟那些古籍一起变老。”
二、那些被“高冷技术”伤害过的图书馆
为了坚定自己的信念，大胖老师又讲了几个他亲眼所见的“数字化惨案”。
惨案一：某市图书馆的“黑屏事件”
2019年，某市图书馆花三万元买了一套古籍OCR软件，据说是某高校实验室的成果。安装那天，来了两个研究生，噼里啪啦敲了一通命令，终于跑起来了。馆员们还没来得及高兴，研究生毕业了。后来系统出了个小bug，馆员打电话求助，对方说：“这个项目已经结题了，你们自己看文档吧。”文档是英文的，术语一大堆。馆员试着在百度上搜解决方案，结果越搜越怕——差点把系统整崩溃了。最后那台电脑成了“禁地”，谁也不许碰，上面的系统至今没再跑过，屏幕永远是黑的。
小菜听着心疼：“这不是买软件，是买了个定时炸弹。”
惨案二：某县馆的“云端惊魂”
2021年，某县图书馆用上了一家商业云OCR服务，上传扫描件，自动识别，确实方便。直到有一天，县里搞保密检查，发现他们把一批未公开的民国档案传到了公有云。馆长吓出一身冷汗，连夜联系客服删除数据，客服回复：“已为您提交工单，预计7个工作日内处理。”那7天，馆长瘦了5斤。从此之后，该县馆定下铁律：所有数字化数据，一概不许出本馆局域网。
大胖老师总结：“技术先进不代表适用。图书馆的需求，不是求新求快，而是求稳、求安全、求无人值守也能跑。说白了，他们要的是一台‘傻瓜相机’，按一下就出片，别让我调光圈快门ISO。”
三、大胖老师的“三不原则”
在充分调研了“王大姐们”的真实处境后，大胖老师在项目组内部宣布了著名的“三不原则”。小菜当时听了，觉得这老爷子倔得可爱；后来系统落地时才发现，每一条都救了大命。
原则一：不让用户碰命令行
大胖老师说：“你们记住，任何一个面向普通馆员的工具，只要出现黑底白字的命令行界面，就输了。输的不是技术，是人心。馆员们会下意识觉得‘这东西不是我该用的’，然后产生恐惧。我们要让系统像微波炉一样——按‘开始’就转，别让我选火力。”
为此，他们决定用Gradio搭建Web界面，所有操作都在浏览器里完成：上传文件、点击识别、下载结果。界面设计得像老年手机一样，按钮大、文字清楚、逻辑一目了然。小菜提出疑问：“可是有些高级参数，比如置信度阈值，万一专家想调呢？”大胖老师答：“那就藏在一个‘高级设置’的小箭头里，默认折叠。让小白看不见，让高手找得到。这叫‘上下兼容’。”
原则二：不让数据出局域网
“很多商业OCR要求联网，把图传上去，云端识别再传回来。这事在王大姐那儿就过不了，在保密单位更是一票否决。”大胖老师敲着桌子，“我们的系统，必须全部离线运行。OCR引擎跑在本地CPU上，模型文件下载一次永久使用，识别结果存本地硬盘。就算断网，也得能正常干活。”
小菜有点担忧：“全部本地的话，怎么自动更新模型呢？”大胖老师早有对策：“我们可以做一个离线更新包，馆员从官网下载，U盘一插，点‘导入更新’，就完了。像早些年给电脑装系统补丁一样，不联网也能升级。”
原则三：不挑硬件，不吃“显卡饭”
“2016年之后，AI圈有个坏风气——动不动就说‘需要一块英伟达显卡’。可你去县图书馆看看，他们用的电脑，大多是政府采购的办公机，集成显卡，内存4G，硬盘还是机械的。”大胖老师掰着手指算，“如果我们的系统要求GPU，就等于把90%的潜在用户拒之门外。古籍又不等着显卡降价，咱们不能成为数字鸿沟的帮凶。”
于是，他们定下硬指标：在5000元以下的普通办公电脑上，处理一页A4古籍的时间不超过10秒。CPU推理，利用PaddlePaddle的MKLDNN加速库，把效率优化到极致。小菜测试时用自己那台二手笔记本，跑一页7秒，大胖老师满意地点了点头：“这速度，比王大姐泡杯茶还快。”
四、“傻”到极致，是一种慈悲
听完“三不原则”，小菜内心有点复杂：“大胖老师，我们做这个系统，技术上好像没什么惊天动地的创新，感觉有点‘土’。”
大胖老师笑了：“我给你讲个故事。2018年，拼多多上市，很多人嘲笑它low，界面土，东西便宜。但它做对了一件事：让农村老太太也能用手机购物。这就是‘普惠技术’的力量。我们现在做的，就是古籍界的拼多多——不让一块钱的价格门槛挡住一百万本古籍的数字化。土怎么了？接地气的东西，命最长。”
他还举了一个更近的例子：“2020年疫情，健康码横空出世，一开始很多老年人没有智能手机，出门寸步难行。后来国家要求必须出‘适老版’，大字、语音播报、离线码。你发现没？技术发展到最后，拼的不是谁更高深，而是谁更懂得照顾那些被落下的人。我们要做的，就是古籍数字化的‘适老版’。”
小菜被说服了。他想起王大姐接电话时无助的语气，想起那些放在库房无人问津的孤本，想起暴雨中泡烂的纸浆。一个系统真正的价值，不在于它用了多少层神经网络，而在于有多少本发黄的老书因为它的存在，而被一个人读到、检索到、复制粘贴进论文里。
那天晚上，小菜在项目文档里写了一句话，后来被大胖老师印在了墙上：“让技术的门槛低到泥土里，文化的根系才能扎到云霄上。”
五、开发目的最终陈述
经过这番讨论，他们终于把“文渊慧典”的开发目的凝练成正式的文字，写进了项目章程：
攻克中文古籍竖排繁体OCR的核心痛点，实现高精度文字识别，准确率≥90%，覆盖常用古籍版式。
完全本地化部署，数据不出馆，满足安全与版权要求，消除图书馆的后顾之忧。
极低使用门槛，Web图形化操作，无需命令行，无需GPU，普通办公电脑一键安装，馆员经10分钟培训即可独立操作。
完全开源免费，采用Apache 2.0协议开放源代码，避免厂商锁定，社区共建，持续进化。
标准化输出，生成符合国际通用格式的双层PDF、ALTO XML等，便于后续对接其他数字图书馆系统。
小菜看着这份目的，挠挠头：“我们这么实在，会不会显得不够‘高大上’？”
大胖老师把保温杯往桌上一墩：“高大上？高大上的东西都在PPT里。我们要的，是明天早上王大姐双击桌面图标，就能把自己馆的镇馆之宝变成可检索的电子书。那一刻，她不会想起什么神经网络、CTC解码，她只会‘嘿’一声，然后打电话告诉读者：‘孩子，你要的那份地契，我搜到了。’这才是我们做这件事的全部意义。”
六、下一站：技术架构的血肉填充
目标已定，原则已明。接下来，大胖老师和小菜将进入最硬核的部分——设计“文渊慧典”的技术架构。他们要面对的问题包括：PDF怎么无损转图？版面分析如何对付双行夹注？CPU上怎么让识别速度飞起来？双层PDF的隐藏文字层怎么压得又准又不影响阅读？
小菜摩拳擦掌，大胖老师拧开第三杯枸杞水，准备开讲。窗外天色已暗，实验室的灯光下，一块白板即将被画满密密麻麻的流程图。而千里之外，某县图书馆的王大姐正随手翻着一本康熙县志，她不知道，一群愿意为她“把技术做土”的人，正准备打响一场没有硝烟的“古籍解放战争”。
本文为注水技术版，您看看即可，不必当真，写此文字就是图一乐：-）