第一百八十章 清单
周一下午，霍建新助理发来了文件清单。
不是霍建新本人，是一个叫林小慧的助理，邮件格式很规整，正文三行，附件是一个表格，第一行是表头，往下五十八行，每行一份文件，文件名、文件类型、大致内容，三列。
陆衍把表格打开，从头扫了一遍。
和霍建新说的差不多——五十八份文件，比制造公司那批多出来七八份，但分布不一样。制造公司那批集中在认证和采购，格式相对规律。这批生物技术的文件，认证只占了一小部分，剩下的是临床前研究报告、工艺验证记录、体外测试数据汇总，还有好几份是原始试验记录——他看到「实验室原始记录扫描件」这几个字的时候，在那行上停了一下。
扫描件。
他把这个问题在脑子里先放了一下，没有立刻发给卫越，而是把清单从头到尾又过了一遍，把文件类型做了个粗分：标准Word或PDF文档的，大概三十五份；表格类的，十二份；剩下十一份，备注里写着「扫描件」或「照片件」。
十一份扫描件。
他想了一下，给卫越发了个消息：「你有空吗，我有个东西想先过一遍。」
卫越回得快：「在，说。」
陆衍把清单截了图发过去，把那一列扫描件的备注用红框标出来：「第三个项目的文件清单，里面有十一份是扫描件，实验室原始记录。」
「我看到了，」卫越说，「你的问题是扫描件怎么处理？」
「对。」
等了大约二十分钟，卫越发来一条语音。
「我刚才测了一下，用现成的OCR跑了几个典型场景，识别率大概在六成到七成之间，主要问题是手写字段名——实验室记录里有很多字段是手写填的，打印的字段名旁边是手写数值，识别引擎拆开来处理，有时候把手写数字和打印字段搞混，有时候直接漏掉整行。」
陆衍把语音听完，在椅子上坐了一会儿。
六成识别率，意味着从清单里进来的十一份扫描件，平均每份有四成的字段会出问题。四成出问题，矛盾扫描的结果就不可靠——你不知道它报出来的是真实矛盾还是识别错误带来的假象。
「那这十一份，你觉得怎么办？」他问。
「三种选项，」卫越说，「第一，我们做人工提前处理，把这十一份的字段手工整理一遍，导入工具再跑；第二，我们把这十一份排除掉，只跑剩下四十七份，但告知客户扫描件暂不支持；第三，我们把OCR集成进预处理步骤，降低期望值，告诉用户识别率有限，发现结果仅供参考。」
「你倾向哪个？」陆衍问。
「第二个，」卫越说，「不确定的不要进报告。」
陆衍没有立刻回应，把卫越说的三个选项在脑子里排了一遍。
第一个，手工处理，时间成本太高，而且每个项目都有不同的扫描件，这条路走下去相当于我们自己变成了半手工的处理机构，不是在做产品。第三个，把OCR集成进去但降低期望值，看起来是在扩展能力，但六成识别率的结果进入报告，等于让客户面对一堆可信度不明的发现，这和工具的精度原则是反的——宁可漏报，不可误报。
第二个，排除扫描件，这是守住边界的选项。
他给卫越发了一条：「你说得对，选第二个。但有一点要想清楚——不是「暂不支持」，是「不支持」。如果我们说「暂」，客户会等，会问什么时候支持，然后我们要一直解释。如果我们从一开始就把范围说清楚，「工具处理电子文档，扫描件不在范围内」，这不是限制，是定义。」
卫越回了一句：「那就这样写进说明里。」
「对，」陆衍回，「边界说明的第二条。」
他把这件事记在本子上，在那行字旁边写了个数字：47。
工具处理的是这四十七份，不是五十八份。这件事没什么好回避的——他们在做的不是一个处理任意文档格式的工具，是一个处理结构化电子文档的工具，扫描件的识别不是他们的核心能力，也不打算做成核心能力。
他想了一下，给霍建新助理回了邮件：
「感谢发来清单。我们已经过了一遍。工具处理电子文档，包括Word、PDF原生格式、Excel。扫描件（图片化PDF、照片件）需要先经过OCR处理，识别率有限，为保证发现结果可靠，本次扫描件部分（11份）暂不纳入扫描范围，将在报告说明中注明。可扫描文档共47份，预计下周内完成，是否可以按此进行？」
发出去，等了二十分钟，助理回：「好的，按此进行，谢谢。」
他把这封回信截图发给卫越，没有加说明。
卫越看了一下，回了一个字：「稳。」
陆衍把手机放下，重新打开那张文件清单。四十七份可以处理的文件，他挨个看了一遍类型。认证文件他们处理过，相对熟悉；工艺验证记录这类文件他没见过，字段体系和制造业不一样；临床前研究报告的结构更复杂，有些字段名非常专业，他认识字，但不确定这些字段之间的关系在生物技术行业有没有特定的惯例。
这就是卫越建字段别名表的意义所在——不只是把字段名变成标准名，是把这个行业里约定俗成的对应关系记下来，让工具在不同标的之间可以复用。
「生物技术的字段别名表，」他给卫越发消息，「进度怎么样？」
「还在查，」卫越回，「这个行业我不熟，在找资料。认证类的字段和制造业有一些重叠，但工艺验证和临床数据那块完全是新的，我估计要三到四天。」
「行，你先做，做完我们再确认一遍。文件我这边收到了，可以先把电子格式的文件理一下，看看字段分布情况。」
「好。」
他们这样分工了两天。
卫越在整理字段别名表，陆衍把四十七份文件的格式做了个初步摸排——有十三份是标准格式，字段名规整，一看就知道怎么映射；有二十一份字段名有变体，需要别名表支撑；剩下十三份，字段密度高、格式不统一，很可能要在预处理步骤里多走几轮确认。
周三晚上，卫越把初版别名表发来了。
「我做了一百一十六条，认证和工艺验证为主，临床数据那块还不全，大概有二十条左右不确定的，我标了颜色。」
陆衍打开表格，先看了一眼标色的部分——二十一条，集中在两个字段族：一个是和「批次」相关的字段群，生物技术里有「批号」「批次编号」「生产批号」「产品批次代码」至少四种叫法，卫越标的是不确定它们是否全部等价，还是只在特定文件类型里等价；另一个是测试数据的描述字段，什么情况下叫「测试结果」，什么情况下叫「检验数据」，什么情况下叫「分析结果」，卫越没有把握。
陆衍把这二十一条看了一遍，在边上批注了几条，然后给卫越发消息：「「批次」那组，我查了一下，常见的有四种叫法，在认证和工艺验证文件里大部分可以等价，但在临床数据报告里「生产批号」有时候指的是不同阶段的子批次，不一定等价。我的建议是分开处理，不要合并映射，让预处理步骤在这四条上都标出来，让客户自己确认。」
「好，我照这个改，」卫越回，「测试数据那组呢？」
「测试数据那组先保留，等我们拿到霍建新这批文件以后，看实际出现的是哪几种叫法，然后再决定要不要合并。」
「行。」
周五，卫越把修订后的别名表发来了，上面有一张便条：「改完了，批次那组拆开，测试数据那组留白。你看一下。」
陆衍把表格拉了一遍，标色的条目只剩下测试数据那组的七条，其他的都已经按行业标准做了说明。
他把表格存好，发给卫越：「这版可以用。等霍建新的文件过来，我们先跑一遍字段映射，看预处理那一步出什么。」
「好，」卫越回，然后停了一下，又发了一条，「你觉得这个东西，最后会是什么样子？」
陆衍想了一下，「你是说产品层面？」
「对，就是说，我们处理了制造业，现在处理生物技术，下一个来了可能是别的行业，别名表每次都要重新建，预处理每次都要调，这件事会一直这样下去吗？」
陆衍看着这条消息，想了好一会儿。
「会，」他回，「但不一样。第一次建生物技术的别名表，我们花了三四天，下一个生物技术项目来的时候，大部分的表已经在了，只用补新出现的。建表的成本是递减的，但判断的工作不会消失——每一个新的字段族，用不用等价，都需要人去想清楚。这件工具不会变成全自动的，它会变成越来越顺手的。」
「所以是工具，不是平台，」卫越说。
「是工具，」陆衍回，「我们做的事情，是让每一次拿到新行业文件的人，不需要从头开始想字段的问题，可以直接把精力放在发现上。」
他发出这条消息，然后把手机放下，看了一眼窗外。
外面天色快暗了，楼下街道上有人在叫外卖，隔着窗玻璃听起来很远。
工具，不是平台。
这件事他没有仔细想过，卫越问的是对的。平台意味着扩展，意味着接更多行业，覆盖更多场景，最终变成一个可以自己跑的东西。工具意味着有人用它，用的时候它是顺手的，用完它就是一份报告。两件事的方向不是相反的，但走的路不一样。
他在本子上写了一行：
「工具 = 让人的判断更有效率，不替代判断。」
然后他的手机屏幕亮了，是霍建新的助理发来的消息：
「文件已发送到您的邮箱，请查收。」