OCR 与素材资产管理工程手册

OCR 与素材可追溯治理参考图识别结果携带置信度和人工复核，素材携带来源、授权、哈希、派生关系、保留期与删除责任。高清原图

从一张“已经识别”的扫描件说起

产品团队收到一批历史合同截图，开发者用 OCR 导出文本，搜索很快能查到“续费金额”。几周后，法务发现一份结果把 8 识别成了 3，表格第二列又被拼到第一列末尾。与此同时，设计团队把供应商图片直接放进 Git 仓库：文件名是 最终版2.png，没有作者、授权范围和原始下载地址，压缩图覆盖了原图，没人知道哪些页面正在使用它。

这两个事故看似无关，实际都缺少同一种能力：二进制输入、机器派生结果、人工判断和使用权利之间没有可追踪关系。OCR 输出不是事实源，只是带模型、参数和置信度的派生资产；图片也不只是文件，它还带来源、作者、许可证、使用范围、敏感等级、保留期和下游引用。

一条可靠链路应当能回答：原始文件是否被改过，识别时用了哪个引擎和语言包，低置信词位于哪里，谁复核了关键字段，派生图从哪个原图生成，发布目标是否在授权范围内，以及删除一个对象会影响哪些页面和备份。

先决定文字在哪里被看见

本机 OCR 和云 OCR 的差别不只是“准确率谁高”。文字从图片进入引擎之前，架构师先画清数据路径：输入从哪里来，在哪个区域处理，是否落盘，结果保存多久，谁能读取，日志会留下什么，失败任务怎样清理。

路径	适合的开发现场	主要代价	关键判断
本机 Tesseract	源文件敏感、可离线、印刷体版式较稳定、需要批量自动化	自己承担预处理、版面分析、语言模型和算力	工作站能否承载峰值，语言和版式是否可控
内网 OCR 服务	多团队共享、数据不能出网、需要统一版本和审计	服务部署、队列、容量、升级和模型治理	是否有明确 owner 与隔离边界
云 OCR	手写、复杂票据、版面结构或弹性吞吐要求较高	网络、调用成本、供应商权限与数据边界	区域、留存、训练用途、删除 API 和退出格式是否满足制度
人机结合	金额、证件号、合同条款等错误代价高	复核队列与人员成本	哪些字段必须双人复核，如何保存证据

“文件上传后接口返回成功”不能作为准入结论。云 OCR 的处理、留存、训练和日志语义必须按具体服务与调用模式核对，不能互相外推：

服务与模式	官方文档明确写出的数据处理事实	接入时仍要固化的字段
Google Cloud Document AI 在线请求	请求中的文档在内存中处理，不持久化到磁盘；请求的部分元数据会被临时记录。Google 说明不会用客户数据训练 Document AI 模型。	处理器位置、API 模式、请求元数据、输出接收端和组织合同
Google Cloud Document AI 批处理	为完成分析和返回结果，文档会以加密的临时形式保存；通常处理后立即删除，异常中止时有最长一天的故障保护 TTL。	输入/输出 URI、区域、多页和大小限制、异常任务清理与重试
Azure Document Intelligence 分析	输入和结果在资源所在区域加密后临时存储；分析完成后的结果默认保存 24 小时，也可以调用 Delete Analyze Result API 提前清除。	资源区域、同步或异步接口、结果删除响应、客户训练数据所在存储
Amazon Textract	AWS 采用责任共担模型；调用方负责凭证、IAM、加密、CloudTrail 和其配置的存储。敏感内容不应放进可能进入诊断日志的自由文本字段；Custom Queries 的训练内容有单独的区域和删除语义。	API 类型、S3 输入/输出位置及生命周期、日志字段、IAM 权限、区域和退出动作

上述事实分别来自 Google Cloud Document AI 安全说明、Azure Document Intelligence 数据隐私说明 和 Amazon Textract 数据保护说明，只适用于文档所列的服务、区域和模式。产品能力、套餐和组织合同可能另外施加限制，接入前应读取目标 API 的数据处理条款并用真实租户验证删除、日志和导出行为。

高敏文件优先在受控本机或内网运行。选择云端时，至少把 provider、region、processor、同步或异步模式、输入桶、输出桶、客户管理密钥（若该模式支持）、结果删除动作和请求审计 ID 写进任务记录。API Key 不得出现在命令历史、URL、素材元数据或仓库；运行身份只获得读取指定输入前缀、写入指定结果前缀和调用指定处理器的权限。

采集入口不能直接连到 OCR 或素材库。原始文件先进入隔离区完成哈希、来源、授权和敏感分类，OCR 输出再继承父资产等级；只有脱敏证据、识别质量和 manifest 同时过关，派生物才能进入对应权限层：

图中有三道不能被“识别成功”跳过的边界。采集边界决定文件是否有权被处理，计算边界决定原文能否交给外部引擎，入库边界决定原图、OCR 文本和脱敏派生物分别由谁可见。脱敏不会改写原图或机器原始输出，而是产生带父节点、参数、坐标变换和复核证据的新资产；因此后续发现漏脱敏时，可以沿派生链撤下索引与发布版本，而不破坏原始审计证据。

安装 Tesseract 和语言数据

Tesseract 引擎采用 Apache-2.0 许可，没有内置 GUI；语言数据和其他模型文件是独立部件，许可证和版本不能从引擎许可证推断。只装可执行文件并不意味着能识别简体中文。当前稳定主线是 5.x，具体安装入口与平台差异以 Tesseract 安装文档为准。

在 Debian 或 Ubuntu 开发机上安装引擎、英文、简体中文和方向检测数据：

sudo apt update
sudo apt install tesseract-ocr tesseract-ocr-eng tesseract-ocr-chi-sim

tesseract --version
tesseract --list-langs

--list-langs 的输出至少应包含 eng 与 chi_sim；需要自动方向检测时还要有 osd。发行版实际打包了哪一组 .traineddata 不能靠包名猜测，应记录语言文件路径、版本、来源和 SHA-256。官方维护的 tessdata_fast、tessdata 与 tessdata_best 说明显示：best 通常更慢但可能更准，fast 使用更小的整数化网络，而 tessdata 还包含 Legacy 与 LSTM 所需的兼容数据。不要只凭仓库名称替换生产模型，应在自己的扫描件基准集上比较字段准确率、延迟和内存。

macOS 可以通过 Homebrew 安装引擎，再按 brew info tesseract 显示的目录确认语言数据位置：

brew install tesseract
brew info tesseract
tesseract --list-langs

Windows 原生二进制由官方安装页链接到外部构建，不是 Tesseract 项目自身发布的安装器。团队若无法承担第三方二进制来源与更新审查，可在 WSL 的 Ubuntu 环境复用上述安装链路。必须使用原生安装器时，固定下载入口和文件哈希，验证签名或发布者，把安装目录加入 PATH，并将额外语言文件放入安装实例的 tessdata 目录。

自带语言数据时，不要改机器全局目录。把模型作为受控依赖放到工具缓存，并显式传入目录：

mkdir -p .tools/tessdata
# 由依赖下载任务写入 eng.traineddata、chi_sim.traineddata、osd.traineddata

tesseract --tessdata-dir ./.tools/tessdata \
  fixtures/ocr/clean.png out/clean \
  -l chi_sim+eng --oem 1 --psm 6

--tessdata-dir 指向包含 .traineddata 的目录；-l 决定语言及顺序；--oem 1 选择 LSTM 引擎；--psm 6 假设图像是一个统一文本块。Legacy 引擎使用 --oem 0，同时使用两种引擎的 --oem 2 要求语言数据同时包含两套模型；--oem 3 只是自动选择，不是缺少模型时的兼容补丁。官方说明中 tessdata_fast 和 tessdata_best 不含 Legacy 模型，因此不能对它们使用依赖 Legacy 的模式。默认 --psm 3 是不带 OSD 的完整页面自动分割，单行可用 7，稀疏文字可用 11；--psm 0 只做方向和文字脚本检测，不输出 OCR 文本。参数不是“越智能越好”：错误的页面分割假设会让字符模型还没开始识别，文字块就已经被切错。完整模式含义见 Tesseract 命令行文档。

模型文件要和应用依赖一样锁定来源、SHA-256、许可证和变更流程。升级时同时记录引擎版本、模型集合、预处理版本和基准集结果，否则“准确率变了”无法定位是二值化、分割还是模型导致。

建立第一个可复核的识别实验

准备一个没有真实客户信息的测试图 fixtures/ocr/clean-eng.png，白底黑字，内容固定为两行。下面的实验命令按 POSIX shell 编写，Windows 可在 WSL 中运行：

Order ID A-1042
Total 128.50

若已安装 ImageMagick，可生成同样的输入；字体名按开发机实际安装字体替换：

mkdir -p fixtures/ocr out/ocr
magick -size 1600x500 xc:white \
  -font DejaVu-Sans -pointsize 72 -fill black -gravity center \
  -annotate +0+0 $'Order ID A-1042\nTotal 128.50' \
  fixtures/ocr/clean-eng.png

tesseract fixtures/ocr/clean-eng.png out/ocr/clean-eng \
  -l eng --oem 1 --psm 6 txt tsv
cat out/ocr/clean-eng.txt

正向结果应包含完整订单号和金额，且 out/ocr/clean-eng.tsv 中词级记录的 level 为 5，具有 left、top、width、height、conf 和 text。页面、块、段落和行级记录也会出现在 TSV 中，它们的 conf 可能是 -1，所以不能把所有行都当作词来计算阈值。纯文本只能证明“有字符”，TSV 才保留词位于页面哪里以及引擎给出的置信度；格式示例可对照 官方 TSV 输出说明。

下面的 Node 脚本把低置信词转成可进入复核队列的证据。阈值 85 只是演示值，生产阈值要由标注集和字段风险校准：

// scripts/check-ocr-confidence.mjs
import fs from "node:fs";

const [file, thresholdText = "85"] = process.argv.slice(2);
const threshold = Number(thresholdText);
if (!Number.isFinite(threshold) || threshold < 0 || threshold > 100) {
  throw new Error("threshold must be a number from 0 to 100");
}
const content = fs.readFileSync(file, "utf8").replace(/\r\n?/g, "\n").trimEnd();
if (!content) throw new Error("empty TSV");
const [header, ...rows] = content.split("\n");
const names = header.split("\t");
const index = Object.fromEntries(names.map((name, i) => [name, i]));
for (const name of ["level", "left", "top", "width", "height", "conf", "text"]) {
  if (index[name] === undefined) throw new Error(`missing TSV column: ${name}`);
}

const words = rows
  .map((row) => row.split("\t"))
  .filter((row) => row[index.level] === "5" && row[index.text]?.trim())
  .map((row) => ({
    text: row[index.text],
    confidence: Number(row[index.conf]),
    box: ["left", "top", "width", "height"].map((key) => Number(row[index[key]])),
  }));

const lowConfidence = words.filter(
  (word) => !Number.isFinite(word.confidence) || word.confidence < 0 || word.confidence < threshold,
);
console.log(JSON.stringify({ words: words.length, lowConfidence }, null, 2));
process.exitCode = lowConfidence.length ? 2 : 0;

node scripts/check-ocr-confidence.mjs out/ocr/clean-eng.tsv 85

在固定引擎、语言文件、字体和输入版本下，若该样本通过已校准的演示阈值，才预期退出 0 并输出 lowConfidence: []。如果某个词低于阈值、置信度不是数值或出现不适用于词级记录的负值，脚本退出 2，JSON 中的边界框可用于在原图上高亮复核。置信度不是“正确概率”，不同模型、语言、版式的分布也不相同；它只能作为风险排序信号，不能替代字段级真值比较。

反向实验要故意破坏版面

以下命令使用 POSIX shell，Windows 可在 WSL 中运行。把干净样本缩小、旋转并加噪，保留坏输入而不是手工修正后假装一次成功：

magick fixtures/ocr/clean-eng.png \
  -resize 28% -rotate 8 -attenuate 0.35 +noise Gaussian \
  fixtures/ocr/degraded-eng.png

set +e
tesseract fixtures/ocr/degraded-eng.png out/ocr/degraded-eng \
  -l eng --oem 1 --psm 6 txt tsv 2>out/ocr/degraded-eng.stderr
ocr_exit=$?
node scripts/check-ocr-confidence.mjs out/ocr/degraded-eng.tsv 85
confidence_exit=$?
set -e

printf 'ocr_exit=%s confidence_exit=%s\n' "$ocr_exit" "$confidence_exit"
cat out/ocr/degraded-eng.txt
cat out/ocr/degraded-eng.stderr

可接受的反向证据不是“命令一定报错”。OCR 进程很可能仍退出 0，但文本出现错字、丢词或 TSV 低置信列表非空，检查脚本退出 2。这正是最危险的失败类型：系统层成功，业务语义已经错误。退化参数、人工真值和预期错误应固定进测试数据版本；不能为了得到失败结果反复调阈值或破坏图像，之后却把这种人为构造当成生产质量结论。

再做一个页面分割反例：对同一张双栏或表格图片分别使用 --psm 6 与 --psm 3，比较 TSV 文件顺序、page_num、block_num、par_num、line_num、word_num 和坐标，而不是只看 block_num。预期错误模式会把跨列内容拼成一行，或把单元格顺序打乱。Tesseract 官方质量指南明确指出倾斜会显著影响行分割，表格通常需要额外的布局分析；因此不能用整页平均字符准确率掩盖金额列错位。

实验结束后只删除可再生输出：

rm -rf out/ocr

固定测试图、人工真值和模型哈希要保留。没有真值，升级后的“识别更多字符”可能只是生成了更多错误字符。

中文、旋转、低清图和表格需要分流

中文识别先确认语言包，而不是先调阈值：

tesseract --list-langs | grep -E 'chi_sim|eng|osd'
tesseract fixtures/ocr/clean-zh.png out/ocr/clean-zh \
  -l chi_sim+eng --oem 1 --psm 6 txt tsv

中英混排时，语言顺序可能影响速度和结果，要用实际资料比较 chi_sim+eng 与 eng+chi_sim。业务词典、产品名和编码可以进入用户词表，但词表会提高“看起来像业务词”的偏好；错误词表同样会稳定制造错字，必须版本化并有反例。

Tesseract 自身已经会做一部分图像处理；官方质量指南把放大、二值化、去噪、形态学、旋转/去倾斜和边框都列为针对性手段，而不是一条必经流水线。预处理要按症状分支，不要把锐化、二值化、放大全部叠在每张图上；250%、-despeckle 和自适应阈值都只是候选参数，可能抹掉标点、细笔画、印章或水印：

# 低清灰度文本：放大、灰度化、轻量去噪，再用自适应阈值形成候选图
magick input.png -resize 250% -colorspace Gray \
  -despeckle -adaptive-threshold 25x25+10% out/preprocessed.png

# 已知旋转方向：先校正，再保留白边，避免紧裁切破坏分割
magick input.png -rotate -90 -bordercolor white -border 20 out/rotated.png

tesseract out/preprocessed.png out/result -l chi_sim+eng --psm 6 tsv txt

同一原图可生成多个候选派生图，但门禁必须比较原图和派生图：字符召回是否提高，数字、标点和专有名词是否退化，边界框是否仍映射到正确位置。过度侵蚀会吃掉细笔画，过度膨胀会粘连字符，自适应阈值会把浅色印章或水印当文字。原图永远只读保存，预处理参数写入派生关系，不能覆盖输入。凡是缩放、裁切、旋转、透视校正或去倾斜，都要同时保存输入尺寸、输出尺寸、裁切偏移和可逆的坐标变换；复核界面应把 TSV 坐标转换回原图后再定位，不能直接把派生图坐标当成原图坐标。

方向检测可用 osd，但短文本和稀疏文本可能没有足够证据：

tesseract fixtures/ocr/page.png stdout -l osd --psm 0 2>out/ocr/osd.stderr

--psm 0 的输出只有方向和脚本检测结果，osd.traineddata 也不是中文 OCR 语言包。需要在一次调用中结合方向检测和识别时，可测试 --psm 1（自动页面分割并带 OSD）或 --psm 12（稀疏文字并带 OSD），但仍要用基准集验证。低置信或版面很短时，按来源元数据、图像长宽、人工采样决定旋转；不要让错误方向检测把整批文件旋转错。

表格是另一类对象。Tesseract 擅长识别字符，不负责可靠恢复跨行、合并单元格、表头层级和业务字段。可先用版面工具检测表格区域和单元格，再对每个区域 OCR，并将 row、column、坐标和原图页码一起保存。金额、税号、日期、数量等高风险字段还要执行类型校验、合计校验和人工复核。一个总金额与分项之和不等的结果，即使每个词置信度都高，也必须拒绝入库。

让人工复核成为状态机，而不是聊天确认

OCR 任务至少经历以下状态：

ingested -> preprocessed -> recognized -> needs_review -> accepted
                                            |              |
                                            v              v
                                         rejected       published

每次转换都保存操作者或服务身份、输入哈希、输出哈希、引擎与模型、参数、理由和证据。机器门禁可以先按字段风险分流：

普通全文检索允许低风险文本自动进入“候选索引”，搜索结果明确标记为机器识别。金额、账号、合同条款、证件号等关键字段必须与人工真值或业务规则比较。低置信词、阅读顺序冲突、类型校验失败、合计不平、敏感信息命中进入复核队列。

复核者看到原图局部、机器结果、坐标和上下文，不能只看脱离原图的一行文本。高风险用途采用双人复核或复核加抽样审计；复核者不能覆盖机器原始输出，只能产生新版本。

衡量质量时，不用单一“准确率”。至少分开观察字符错误率、词错误率、关键字段完全匹配率、表格单元格定位正确率、自动通过率、人工退回率、复核等待年龄和复核后返工率。阈值来自按来源、语言、版式和风险分层的标注集；模型升级只有在关键字段不退化、错误可被现有门禁捕获、处理成本可接受时才放行。

素材不是文件夹，而是带权利的资产图

建议把素材分成四层：

source      原始下载、拍摄或设计导出，不可变
working     可编辑工程文件和处理中间件
derived     压缩、裁切、转码、加水印、OCR 等可再生结果
published   实际进入网站、应用、文档或 CDN 的版本

代码仓库只保存体积可控、需要随代码原子发布的 published 资产和小型测试 fixture。高分辨率原图、PSD、录屏、批量扫描件及 OCR 中间结果进入有版本、加密、生命周期和访问日志的对象存储。仓库里保存稳定 asset ID、manifest 和构建所需派生图；不要把对象存储 URL 当永久身份，因为桶、区域、CDN 和供应商都会变。

命名服务于人类浏览，身份服务于机器。推荐文件名表达主题、用途、语言和变体，例如：

checkout-empty-state.zh-CN.desktop.v03.webp
architecture-cache-failover.en-US.diagram.v02.svg

不要把作者姓名、客户名、账号、手机号或未发布项目代号塞进文件名。稳定身份使用 asset_id，文件字节身份使用 SHA-256。文件改名不改变文件字节哈希；像素或嵌入文件的元数据变化通常会改变哈希，而外置 manifest 元数据变化不会改变它。这两种身份不能互相替代。

用 manifest 连接来源、识别结果和发布用途

每个资产保存一条结构化记录。下面的 YAML 展示最小但可扩展的字段：

schema_version: 1
asset_id: ast_01HXEXAMPLE0000000000000
logical_name: checkout-empty-state
media_type: image/png
hash_algorithm: sha256
content_sha256: 4f7d9a6d5d4b5f8c0d0e00000000000000000000000000000000000000000000
manifest_sha256: 9a4c2c0000000000000000000000000000000000000000000000000000000000
byte_size: 1842331
dimensions: { width: 2400, height: 1500 }

source:
  kind: commissioned
  uri: contract://design-vendor/asset-042
  author: Example Studio
  acquired_via: procurement-ticket-EXAMPLE-42

rights:
  license_expression: LicenseRef-Example-Brand-Asset
  license_text_ref: evidence://rights/EXAMPLE-42/license-text
  grant_evidence: evidence://rights/EXAMPLE-42
  attribution_required: false
  attribution_text: null
  allowed_channels: [web, mobile-app]
  allowed_regions: [global]
  commercial_use: true
  modification_allowed: true
  rights_review_status: approved
  expires_at: null

classification:
  pii_status: none
  pii_categories: []
  pii_inherited_from: []
  redaction_status: not_required
  confidentiality: internal
  moderation_status: approved

lifecycle:
  owner: team-content-platform
  retention_class: active-plus-archive
  deletion_hold: false
  review_checkpoint: release-cycle

derivation:
  parents: []
  operation: original
  tool: null
  tool_version: null
  code_revision: null
  parameters: null
  coordinate_transform: null

usage:
  - target: repo://web/src/assets/checkout-empty-state.webp
    published_asset_id: ast_01HXEXAMPLE0000000000000
    content_sha256: 4f7d9a6d5d4b5f8c0d0e00000000000000000000000000000000000000000000
    environment: production

公开许可证字段应存 SPDX license expression，而不是把单个字符串都叫作 license_id；表达式可以使用 SPDX License List 的标准标识以及 AND、OR、WITH，不在列表中的内部合同或购买授权才使用 LicenseRef-...。LicenseRef 只是 SPDX 文档内的本地引用，必须在同一 manifest 包或 SPDX 文档中绑定对应的许可证文本；受控证据 URI 只能证明授予事实，不能替代许可证条款。allowed_channels、地区、期限、商业用途和修改权限是本地权利策略，不能假装都是 SPDX 许可证字段。

Creative Commons 的六种版权许可证都要求署名（除非权利人明确放弃或没有提供署名信息）；NC 禁止商业用途，ND 禁止分享改编作品，SA 要求改编作品按相同条款分享。官方说明还要求核对具体版本和法律文本。“网上搜到”“可免费下载”“买过会员”都不是许可证。压缩、裁切、加水印、OCR 和翻译等操作是否构成需要额外许可的改编，应由权利审查决定，不能仅凭 modification_allowed: true 自动放行。授权记录要拆开作者、版权方、授权给谁、渠道、地区、期限、是否商业、是否允许修改和是否要求署名。

OCR 结果也是派生资产：单一来源时 parents 中记录扫描原图的 asset ID 和 content_sha256，多页、多图拼接或版面分析使用多个带 role 的父节点；operation 写 ocr，参数保存语言顺序、每个 .traineddata 的哈希、PSM、OEM、预处理 asset ID、引擎版本、模型哈希和坐标变换。文本、TSV、人工复核版本和搜索索引各有自己的内容哈希。manifest_sha256 应对去除自身哈希字段后的规范化 manifest 计算，避免同一资产因 YAML 排版差异产生不同身份。这样才能证明搜索索引来自哪一页，也能在模型升级后只重建受影响结果。

哈希、重复检测和检索各解决不同问题

SHA-256 只能找到字节完全一致的文件。相同照片经过重新编码、裁切或去元数据后哈希会变化，因此重复检测分三层：

入库先算加密哈希，拒绝完全重复字节。图片计算感知哈希或视觉向量，找“看起来相同”的候选。人工确认候选是同一资产、授权不同的副本，还是允许并存的派生版本。

感知哈希距离和向量相似度只能召回候选，不能自动合并。两张外观相同的图可能来自不同作者或合同，删除其中一条授权记录会破坏审计。确认重复后保留规范 asset ID，建立 alias，迁移引用，再按保留规则删除冗余二进制。

检索索引至少包含逻辑名称、标签、作者、来源、许可证、允许渠道、敏感等级、owner、OCR 文本、创建工具、尺寸和使用目标。搜索返回必须先经过权限过滤；不能因为 OCR 建了全文索引，就让原本只能访问单个合同的人通过搜索片段看到其他合同内容。高敏 OCR 文本可以只索引脱敏字段或不可逆关键词标记，原文仍由源系统鉴权。

索引是派生数据，可以重建。权利证据、manifest、原始文件和引用关系是事实记录，必须有备份、版本和完整性校验。搜索结果删除后还要清理缓存、缩略图、向量索引、OCR 文本、TSV 和可能包含原文的日志或临时文件，不能只删对象存储里的原图。

项目接入：从入库到构建门禁

一个可维护的项目结构可以是：

assets/
  manifests/
  published/
  fixtures/
scripts/
  asset-ingest.mjs
  asset-verify.mjs
  asset-usage-scan.mjs
.env.example

asset-ingest 负责计算哈希、读取尺寸、分配 asset ID、保存原始对象并生成待补全 manifest；它不能默认授予发布权限。asset-verify 在合并和发布前检查：二进制哈希匹配，许可证字段完整，当前渠道与地区被允许，授权未失效，PII 已处理，派生链可追溯，owner 有效。asset-usage-scan 从代码、Markdown、设计导出和 CMS 中提取引用，更新使用图，但不静默删除“零引用”资产。

构建门禁的失败信息要能执行，例如：

ASSET_RIGHTS_CHANNEL_DENIED
asset_id=ast_01HXEXAMPLE0000000000000
requested_channel=advertising
allowed_channels=web,mobile-app
evidence=evidence://rights/EXAMPLE-42

这比“图片不合规”更容易修复。缺许可证是阻断，哈希不一致是阻断，作者待补全也应阻断公开发布；缩略图暂未生成可以重试，但不能让构建偷偷改用原图。门禁读取的是版本化 manifest，不能在 CI 中临时调用个人网盘或依赖某位设计师的桌面登录态。发布产物应同时记录已验证的 manifest 版本和 published 资产哈希；回滚时切换到上一份仍通过权利、PII 和引用检查的 manifest，不应只把 CDN URL 改回旧字符串，也不能自动回滚到已删除、授权失效或处于保留锁下的原图。

清理测试接入时，先撤销发布引用，再删除派生文件与索引，最后根据保留规则处理原始对象和 manifest。用于证明授权、删除、复核和发布的记录通常不能与二进制同时立即消失；具体保留时间由法律、合同和内部制度决定，manifest 用保留类别表达，不写一个适用于所有资产的固定天数。若备份或不可变存储不能即时改写，应写入按 asset_id 生效的删除墓碑，并让恢复流程在重新提供服务前重放墓碑；在所有受保留策略约束的副本失效前，不能宣称已经完成物理删除。

PII、权限与删除必须沿派生链传播

截图和扫描件可能包含姓名、头像、地址、证件号、客户订单、访问令牌、浏览器标签和地理信息。入库前先分类；pii_status: none 只能表示已经完成检查，不能作为默认值。父资产含有 PII 时，子图、OCR 文本、TSV 坐标、缩略图、向量、缓存和日志默认继承高敏等级，除非有独立的脱敏证据。必要时在受控环境生成脱敏派生图和脱敏文本，原图权限比脱敏图更窄。EXIF 等元数据也可能带设备和位置，公开派生物应显式检查，而不是假设压缩工具会删除。

权限至少分开：上传原始素材、读取高敏原图、修改权利记录、批准公开发布、删除对象、管理保留锁和读取审计日志。素材作者不能仅凭上传权限把自己的记录标成“全球永久商业授权”；发布者也不能修改合同证据让门禁变绿。机器身份按桶前缀和动作授权，使用短期凭证，密钥进入秘密管理服务而不是 .env 提交。

删除请求到来时，从 asset ID 查父子关系、别名、发布目标、CDN、搜索索引、OCR 文本、TSV、缩略图、向量、缓存、备份、日志和法务保留。若处于合法保留状态，系统应拒绝物理删除并记录理由；否则按“停止新使用 -> 撤下发布 -> 清索引与缓存 -> 删除 PII 派生物 -> 删除或隔离原始对象 -> 生成删除证明”的顺序执行。任何一步失败都保留状态和重试入口，不能返回一个笼统成功。对最终一致的 CDN、索引和备份，要记录每层的确认时间、残留窗口和后续检查结果。

反向演练可以给某测试资产建立两级派生图、OCR 文本和一个发布引用，然后发起删除。预期门禁先拒绝仍被引用的删除；撤下引用后，任务逐项清理并留下每个存储层的对象 ID 与结果。若搜索仍能查到文本、CDN 仍返回 200、派生图仍可访问，删除就没有完成。

容量和成本从派生倍数开始算

素材容量不是原文件总和。一个源图可能产生编辑文件、多个尺寸、WebP/AVIF、缩略图、OCR TSV、文本、向量、CDN 缓存和备份。容量模型至少包含：

monthly_bytes = source_ingest
              + working_versions
              + derived_variants
              + ocr_and_index
              + replication
              + backup

持续观察每个 asset 的平均派生数、无引用资产字节、重复候选字节、各存储层增长率、OCR 每页耗时、队列等待年龄、失败重试次数、人工复核分钟数和出口流量。云 OCR 成本不能只看“每页单价”，还要算对象存储、跨区域传输、重试、版面模型、人工复核和退出导出；本机方案也有工作站算力、队列等待、升级、监控和误识别返工成本。

设置预算时优先用趋势和不变量：派生数不应在流水线重跑后单调增长；同一源哈希的可再生结果应命中缓存；删除完成后活跃存储和索引不再保留对象；无引用资产必须有 owner、保留理由或清理任务。演示阈值不能直接复制到生产，实际告警线由增长基线、存储预算和恢复目标决定。

供应商退出和长期治理

云 OCR、素材库或设计平台准入时就演练退出。导出不仅要拿到二进制，还要包括原始文件、版本、manifest、作者与授权证据、标签、评论、OCR 坐标和置信度、派生关系、使用引用、审计日志及旧 ID。给旧 ID 建映射，抽样验证哈希和权利字段，再把旧平台设为只读；只下载“当前最终图”会丢掉授权与来源链。

OCR 供应商切换时保留一组固定基准集，用新旧引擎同时运行，比较关键字段、版面顺序、置信度分布、延迟和人工复核量。不同厂商的置信度尺度不能直接比较，迁移门禁以真值和业务错误成本为准。切换完成后撤销 API 身份、删除云端处理器或临时结果、清理输入输出桶，并保存可审计的删除结果。

团队至少明确四类 owner：OCR 运行 owner 负责引擎、模型、队列和故障；数据 owner 决定可处理范围与复核等级；素材 owner 维护用途和下游引用；权利 owner 审核许可证、合同和退出。一个人可以兼任，但职责不能消失。

长期巡检应能完成以下闭环：从发布页面追到 published 资产、派生图、原图和授权证据；从 OCR 搜索结果追到页码、坐标、模型、预处理和人工复核；从删除请求查到所有副本和索引；从模型或供应商升级看到基准集差异和回滚入口。只有这些关系都能双向走通，OCR 才是可验证的数据生产线，素材库才是可治理的工程资产，而不是另一个更大的共享文件夹。