AI看图工具《看图兔》,AI+工程双料工程师是怎么做的

大家好，我是爱打灰的小砼志。

前几期盘点的都是别人家的 AI 产品： AI 安全、 AI 质检、 AI 审方案。有读者后台问——这些动不动就是大厂产品，普通人能不能自己做一个？这期换个主角，讲讲我自己做的一个 AI 工具：《看图兔》。它是怎么从一个工地痛点长成一个真产品的，过程中「业务专家 + AI 辅助编程」这套打法具体怎么打，全部掰开讲。看完你也可以自己尝试做个小工具出来

一、看图兔是个啥

一句话定位：开源、可私有化部署的 AI 图纸识别助手——DWG / DXF / PDF 上传即问，数据不出内网。

工地人最熟悉的痛苦：一套蓝图几十上百张，「二层梁配筋多少」「基础埋深多少」，新人翻图半小时看不懂，老师傅翻图眼花看不清。看图兔把图纸丢进去，打开麦克风，用大白话问，它直接回答，并且给出答案在图纸里的出处。

PC 端 + 手机端现场两套界面：

电脑端（pc）

公开能力清单：

最后一条是它和市面上 AI 审图 SaaS 最大的区别：图纸是施工单位的商业机密，「图纸不能出公司」是刚需， SaaS 永远解决不了这个顾虑。

二、它靠不靠谱： 109 道题实测 + 一次「毒丸图纸」事故

自己夸自己不算数，看实测。我自建了一套 109 道题、五个精度层级的题库——从「这套图有几张，哪个构件什么参数」一直考到「跨图纸对比、符号推理」，用真实项目的完整图纸集（含 302 页结构计算书）测出来的成绩：

重点说一个数字：幻觉探测 10/10 全部正确拒答。（幻觉：目前的生成式大模型的常见缺陷，指的是模型推测或者过度推理得出了与实际不符无依据分内容，如同人类产生幻觉一般）

工程场景里 AI 最可怕的不是不会答，是不懂装懂——问它一个图上根本没有的问题，它编一个像模像样的答案出来。看图兔的答案原则是：图纸上有的才答，图纸上没有的，拒答。

再说一个开发过程中的真实事故，比成绩单更有说服力。早期跑批处理时，一张内容病态的 DWG 图纸能把整个服务拖垮——一张图出问题，所有人的队列跟着崩。后来把架构改了：每张图的渲染放进独立子进程，带超时自毁，一张图崩了只死它自己，队列照常跑。这个改动没有用到任何高深技术，但它就是「玩具 demo 」和「能干活的工具」的分界线——工具是要在没人盯着的时候也能活下去的。

不谦虚的说我的这个小工具目前我在体验上是比大厂要做的好一些的。而且《看图兔》是6月份就完成的项目，效果目前仍旧比市面上的大厂做的要好。这块我还是很自豪的。

三、教程：一个人 + AI ，怎么做出自己的工具

先交代背景：我不是科班程序员，专业是水务工程，毕业后一直在工程口干。看图兔能做出来，靠的不是编程功底，而是「业务专家 + AI 辅助编程」的分工模式——我出业务判断， AI 出工程实现。整套打法拆成四步：

第 1 步：需求从自己的痛点里提，别从想象里编

有效需求长这样：「新来的同事问基础标高，我翻图半小时还是找不到——我要一个工具，cad的dwg图纸丢进去，用大白话提问， 能直接给答案，还要告诉我答案在第几张图，需要你联网搜索看下有无相关的开源项目或者解决方案或者你小幅改动后可以使用的方案」。

注意要素：谁在用、现在多疼、要变成什么样——全部来自真实场景。没在现场翻过图的人，提不出「答案要带图纸出处」这种需求；而这个恰恰是能不能用起来的关键。业务理解就是你的护城河， AI 没有它，你有。另外要注意不要重复造工具，AI的时代是开源的时代，很多前辈会把自己的应用开源。拿来主义想看别人有无成熟的解决方案，能直接拿来用肯定会比自己写代码搞一个来的方便。

第 2 步：把需求写成 AI 能执行的文档

跟 AI 协作最大的坑是「我以为我说清楚了」。写需求文档，四要素：

第 3 步：人机分工，别把方向盘交给 AI

这套模式跑下来，分工边界非常清楚：

我管四件事：需求定义、方向决策、拍板验收、真实场景检验。AI 管四件事：读代码、写代码、跑测试、部署运维。三条节奏上的经验：

第 4 步：用真实数据验收，不用玩具数据

demo 的演示数据是温顺的，真实图纸什么都有：加密实体、海量填充、病态线框、扫描件糊成一片、隐藏图层里有一堆无用实体、脏数据和图纸是工程领域的常态。看图兔的准确率不是设计出来的，是拿真实图纸一轮一轮喂出来的——每改一版，拿真图重测一遍。玩具数据上跑通不叫完成，真实业务里站得住才叫完成。

心法：验收权，必须在懂业务的人手里

这套模式最重要的一条：AI 的每一轮产出，你必须有能力说「对」还是「不对」。你的身份不再是编程员，而是甲方。不是 AI 汇报「做完了」就完事了不看了——功能是不是符合现场习惯、答案是不是工程上正确、边界是不是守住，验收权在懂业务的人手里。

这恰恰是非科班的优势：科班容易一头扎进技术视角，而你知道用户是谁、疼在哪、什么样算「对」。你负责「做什么、算不算对」， AI 负责「怎么实现」——这就是双料：业务是一料， AI 是另一料，两料凑齐，一个人就是一个产品组。

想自己试水的朋友，建议从「小到不可能失败」的选题开始：一个自动整理 Excel 台账的小脚本、一个查规范条文的小工具。工具越小，需求越容易写清楚，正反馈来得越快——信心都是小胜利攒出来的，没人是从大系统开始的。

小结

回到开头的问题：普通人能不能自己做 AI 工具？我的答案是——能，但前提是你有一个真痛点，并且愿意当那个「验收官」。编程的门槛被 AI 拆掉了，新的门槛变成了「把业务问题定义清楚」的能力——而这，恰恰是每一个在现场待过的人的存量优势。业务经验和对于需求的清晰表达能力的价值在成倍放大。

想了解看图兔、或者想聊「业务 + AI 辅助开发」怎么落地的，公众号后台留言，看到都会回。

专注 AI+打灰，关注永远不跑路，我是爱打灰的小砼志。

（看图兔为作者独立开发的项目（目前暂未开源），文中实测数据均出自项目实际评测报告）