OCR 兜底管线怎么跑好：阈值、按页分诊、成本账、抽检与补跑（运维手册）
前言
昨天那篇讲了"让模型看懂 PDF"的全貌：有字的重建表格，没字的请多模态当眼睛。这篇是后半条的运维手册——OCR 兜底实际跑起来，判定阈值怎么拿捏、钱怎么算、质量怎么验、失败了怎么补。五件事，全是上篇没讲的干货。
一、判定阈值：宁低勿高
体检规则（空文本判；中文占比极低加乱码特征判天书）昨天提过，今天讲阈值拿捏。
核心原则：宁低勿高。误杀的代价是正常文档被送 OCR——白花调用费，还可能把对的认成错的。正常中文文档不可能只有几个百分点的汉字，占比掉到那个量级、再配上天书特征才判乱码。阈值是用"漏放的天书"换"不误杀好文档"——漏放的下游有人工抽检兜着，误杀没人兜。
二、按页处理：别把整本丢进去
成本坑第一名：整本 PDF 一刀切全送 OCR。实际一本两百页的扫描合同，常常只有盖章页、签名页是图片型，其余页文字层完好。
正确姿势是按页分诊：逐页体检，只有不过的页才转图送认。两百页可能只需认三五页——钱和时间都省在这个差别上。
三、成本账：先试跑，再放量
多模态认图按调用计费，存量动辄几千上万页：
| 试跑 | 几十页有代表性的（打印体/表格页/盖章页）评质量、算单页成本 |
| 定策略 | 全量兜底 vs 按需兜底（只对被检索需求点到的文档跑） |
| 排优先级 | 高频访问分类 > 近期支撑业务的 > 长尾档案 |
一把梭全量跑，是 OCR 预算超支的标准剧本。
四、质量验收：数字要抽检
- 每批抽检：抽几页人工核对，比例跟文档重要度挂钩；
- 表格页重点抽：正文错一个字影响不大，表格错一个数，查询就错一个答案——数字是 OCR 质量的命门；
- 关键文档全检：要进业务流程的别赌概率；
- 预期管理：手写体别指望太高，打印体才是主场。
五、失败补跑：警告日志就是补跑清单
降级原则（兜底件故障不拖垮主流程）昨天讲过，今天讲善后：被跳过的每一页都在警告日志里，那份日志就是补跑清单——多模态配置好之后按清单补跑，一条不漏。
降级必须留痕：不留痕的跳过等于丢了，留了痕的跳过只是排队。兜底设计的完整性，一半在降级那一刀，一半在事后补跑那一圈。
总结
运维五条：阈值宁低勿高防误杀，按页分诊别整本梭，先试跑再放量排好优先级，数字抽检表格页是命门，警告日志就是补跑清单。
下一篇：有人故意往 AI 的记忆里塞坏东西怎么办？记忆投毒防御。
你的扫描件存量跑过成本测算吗？评论区聊聊。
