用 AI 做了一个文档质量检查工具,踩了几个真实的坑 —— WordCraft-Pro 项目复盘

用 AI 做了一个文档质量检查工具,踩了几个真实的坑 —— WordCraft-Pro 项目复盘

本文首发于 Trae 社区


这个项目从哪来

我工作中长期接触报告类材料——排版、错别字检查、格式核对,都是些重复但必须做的事。


完全靠人工,效率低还容易漏;完全靠自动化,又处理不了文档里那些模糊的判断(比如「这个标题层级合不合理」「这段引用格式对不对」)。

所以我想做一个AI 辅助的文档质量检查工具,人和 AI 各自干擅长的事。这就是 WordCraft-Pro 的起点。
因为文档类产品天然会涉及隐私和信任问题,所以最早的思路是:

  • 本地解析
  • 本地处理
  • 本地导出

但后来真正开发以后,我发现我想做的已经不是一个 Word 查看器了。
我真正想做的是:

  • 问题定位
  • 高亮反馈
  • 格式检查
  • 交叉引用分析
  • AI 模板解析
  • AI 质量检查
  • 用户可视化确认与修改

也就是说,我后来做的其实是一个“交互式文档 Workflow”。
而这种 Workflow 在 Web 端更容易快速验证,所以后来项目先转成了 Web 原型。
页面小部分展示

项目地址:https://github.com/dvdxfv/WordCraft-Pro

网页地址:https://dvdxfvnb.com


我把问题拆成了几步

我没有让 AI 直接「做一个完整项目」,而是先拆成几个环节:

  1. 文档上传 — 用户把 Word/文档拖进来

  2. 文档解析 — 解析 Word 结构,不只是读文本

  3. 格式规则配置 — 让用户自己定义检查规则

  4. QA 检查 — AI 按规则逐条检查文档

  5. 交叉引用检查 — 检查文档内引用关系

  6. 导出 — 把检查结果导出为文档

每个环节单独验证,通了再往下走。


踩的三个坑

坑 1:Word 预览比想象中复杂得多

我原以为在 Web 端渲染一个 Word 文档不是什么难事。

后来发现 Word 文件不是普通文本——它有段落、表格、页眉页脚、样式层级、域代码。光是把文档在浏览器里正确显示,就花了不少精力调渲染引擎。

坑 2:排版解析的真正难点不是字体字号

做到排版检查这个环节时,我以为难点是「识别字号不一致」「字体用错」这类问题。

但实际做下来发现,真正难的是理解文档结构——标题层级是否合理、编号规则是否一致、模板规范是否被遵守。这些东西没有硬性的对错标准,是语义层面的判断。

这个环节我觉得目前做得并不成功,但让我对文档类产品的边界有了更具体的认识。

坑 3:AI 产品真正的耗时点在工程细节

做这个项目之前,我原以为最花时间的是 Prompt 调优或模型选型。

实际做下来,真正耗时间的是解析格式兼容、导出稳定性、异常处理这些工程细节。这些工作不直接出效果,但少了任何一环,产品就用不了。

AI 产品中,模型只是冰山一角,水面以下是大量的工程化工作。


工具组合:我不是用一个工具干所有事

这个项目用来验证我最近的工具组合思路——按任务选工具,不迷信单一模型:

工具 在这个项目里的用途 使用到的 Skill
Trae 初始阶段快速试原型 brainstorming、dogfood
Claude Code 本地代码修改、多文件批量重构、文件分析 superpower 系列、gstack 系列
Codex 把需求拆成可执行任务,推进功能开发 supabase插件、GitHub插件、浏览器插件、chrome插件
Cursor 日常代码补全、小范围改动 —

TRAE


Claude code

Codex

Cursor

我的体会是:不用纠结哪个工具「最强」,而是想清楚每个工具在什么环节最顺手,然后组合起来用。


两个我觉得有价值的思路

可采纳式交叉引用

系统先识别出可能的引用问题,然后让用户逐一确认、采纳或忽略,而不是直接全自动改掉。

因为真实业务里,文档的修改权应该在用户手里,AI 只负责发现和提示。

可控式格式检查

我后来没有继续往「上传模板 → 自动生成」的方向走,而是改成:

AI 解析模板 → AI 质量检查 → 问题提示 → 用户可视化确认与修改

核心判断是:文档类 AI 产品最重要的不是自动化程度有多高,而是可控、可信、可进入真实 Workflow。

用户需要的是在关键节点上能确认、能干预、能回退。


当前状态

项目是一个可运行的 Web Demo,功能覆盖了文档上传、QA 检查、交叉引用分析和导出。

还没做好的:

  • 排版解析的质量还不好

  • 需要更多真实文档来验证规则覆盖度

下一步计划用更多业务文档来跑一轮测试,把规则覆盖度补上来。


对做类似项目的人来说

如果你也在做 AI + 文档处理方向,这是我留下的几点参考:

  1. 从真实的业务场景出发,不要为了用 AI 而做 AI。明确你要解决的具体问题是什么。

  2. 先拆流程,再上 AI,不是让 AI 一步到位做完整项目。

  3. 工程化比模型调优更花时间,自己做工具解决自己问题简单,但是推行大家都能用的很难,提前做预算。

  4. 可控性设计在办公类场景里比自动化优先级更高。


项目有 bug,不成熟,但它是从真实业务问题出发、完整走过产品思维闭环的一个案例。后面继续迭代。

欢迎交流,GitHub:https://github.com/dvdxfv

1 个赞