零门槛实战：双模型互证揪出46处解析偏差

长沙市中小学每年暑期都会面向社会开放运动场、体育馆、图书馆等公共区域，满足市民健身、休闲与学习需求。各区县教育局定期公示开放学校名单、时段、场地范围及预约规则，这份公开数据是城市便民服务系统的重要基础。项目计划批量抓取长沙各区县暑期校园开放公告，用图文解析能力抽取学校名称、详细地址、开放日期、时段、限制条件等结构化字段，支撑一个便民查询小程序。

最初的解析却频频翻车：单一图文大模型对公告图片与图文混排文档的识别存在大量偏差，直接掏空了结构化数据的可用性。问题集中爆发在三处——学校名称被识别成错别字或漏字；暑期分段开放时间被搅成一团，工作日与周末规则混肴；文字地址无法精准落到地图上，导致后续的地图展示与区域筛选功能彻底失效。

图文大模型并非全能

当下主流图文大模型在通用识别与信息抽取上确实强悍，但碰到垂直细分、规则化文本、语义相近的场景，短板就暴露出来了，这正是校园开放信息解析出错的病根。

一方面，单一模型自带认知偏见与场景适配缺陷。不同大模型的训练数据、微调方向和推理逻辑差异极大，有的擅长通用识别，却对校园公告这类官方制式文本、分段规则化信息缺乏精度，时序与细节容易丢失。另一方面，图文混排文档里藏着干扰项——备注说明、特殊节假日闭校通知、场地限流规则，常被模型误判成常规开放规则。

更麻烦的是，单一模型没有自我纠错能力，输出看起来格式规整，实则埋着隐性错误，靠人工逐条核对成本高得离谱。CodeBuddy 支持多模型自由切换与并行推理，恰好提供了一套低成本的交叉校验思路：让多个模型对同一任务各出一版结果，靠算法比对差异、标记风险、保留共识，从而化解单一模型的认知盲区。

搭建多模型交叉校验流水线

CodeBuddy 内置腾讯混元、DeepSeek、Kimi、GLM 等多款主流大模型，开发者可以自定义切换模型、配置降级策略、批量并行推理，无需复杂部署就能跑起交叉校验工作流。它的核心逻辑是利用不同模型的能力互补性，对同一批图文解析任务产出多组结果，再经算法比对差异、标记风险数据、保留共识结果，从根本上消弭单一模型的解析误差。

基础信息互证

本次校验聚焦长沙暑期开放学校的核心字段：学校全称、所属区县、详细地址、开放场地类型。单一模型常把区县归属搞错、学校名称简写不统一、地址关键字缺失、场地类型混淆。

方案采用「双模型并行校验 + 差异比对」策略，挑出 kimi2-k2.6（擅长官方图文与文本推理）与 GLM5.2（支持图文输入与推理）对同一批校园公告图文数据做解析。校验规则分三档：

• 一致性规则：两模型在学校名称、区县归属上完全一致，判定为有效数据，直接留存；
• 差异标记规则：名称、地址、区县出现分歧，自动标记为高风险数据，触发二次精准解析；
• 溯源校验规则：针对差异数据回溯解析逻辑，比对原始图文素材，修正识别错误。

交叉检查提示词

在 CodeBuddy 中，用下面这段提示词对 json 数据与原始图片做验证：

W020260707346693894688.jpg
W020260707346694155028.jpg
W020260707346694416153.jpg
W020260707346694698336.jpg
W020260707346695046292.jpg
W020260707346695405020.jpg
W020260707346695679472.jpg
W020260707346695939204.jpg
W020260707346696188612.jpg
W020260707346696436334.jpg
W020260707346696673596.jpg 
仔细对照图片内容和changsha_schools_sports_2026.json
确认解析出来的信息是准确的，要求开放场地不要解析错误，学校名称不要解析错误。

输入提示词后，CodeBuddy 自动开始调用，并自行生成 Python 代码来完成数据解析，代码如下：

import json
data = json.load(open('changsha_schools_sports_2026.json', 'r', encoding='utf-8'))
def print_range(start, end):
    for d in data[start-1:end]:
        no = d['No.']
        district = d['district']
        school = d['schoolName']
        venues = ', '.join(d['venues'])
        start_date = d['startDate']
        end_date = d['endDate']
        print(f"{no:>3} | {district:>6} | {school:<35} | {venues:<50} | {start_date} ~ {end_date}")

# 1-40
print("="*120)
print("序号 1-40 (市直+雨花区)")
print("="*120)
print_range(1, 40)
print()

# 41-80
print("="*120)
print("序号 41-80 (雨花区+开福区)")
print("="*120)
print_range(41, 80)
print()

# 81-120
print("="*120)
print("序号 81-120 (浏阳市)")
print("="*120)
print_range(81, 120)
print()

# 121-160
print("="*120)
print("序号 121-160 (浏阳市)")
print("="*120)
print_range(121, 160)
print()

# 161-200
print("="*120)
print("序号 161-200 (浏阳市)")
print("="*120)
print_range(161, 200)
print()

# 201-240
print("="*120)
print("序号 201-240 (浏阳市)")
print("="*120)
print_range(201, 240)
print()

# 241-280
print("="*120)
print("序号 241-280 (浏阳市+长沙县+湘江新区)")
print("="*120)
print_range(241, 280)
print()

# 281-320
print("="*120)
print("序号 281-320 (湘江新区)")
print("="*120)
print_range(281, 320)
print()

# 321-360
print("="*120)
print("序号 321-360 (湘江新区+宁乡市)")
print("="*120)
print_range(321, 360)
print()

# 361-400
print("="*120)
print("序号 361-400 (宁乡市+天心区)")
print("="*120)
print_range(361, 400)
print()

# 401-455
print("="*120)
print("序号 401-455 (天心区+望城区+芙蓉区)")
print("="*120)
print_range(401, 455)

代码跑起来后，程序化的检查随即展开。

开放时间专项校验

校园暑期开放时间是便民服务的核心数据，也是图文解析的重灾区。长沙各校规则差异极大：分段开放、周末专属、节假日闭校、分场地分时开放交织在一起，单一模型极易混淆时段、遗漏特殊规则。

在双模型校验之外，这一步叠加了规则约束校验。结合教育局通用暑期开放规范，设定时间校验规则：区分日常开放时段、周末专属时段、特殊闭校日期，对模型解析出的时间格式、时段逻辑、规则完整性做多层核验。相比基础信息校验，时间校验重点解决三类问题——开放起止日期错乱、每日时段时分识别错误、特殊限流与闭校规则遗漏。多个模型结果比对后提取共识时间规则，再修正差异化错误输出。

时间校验代码

针对校园开放时间规则，编写专属交叉校验代码，完成时序数据标准化、规则校验与错误修正：

import json
data = json.load(open('changsha_schools_sports_2026.json', 'r', encoding='utf-8'))
# Check items with special dates or venues
for idx in [289, 292, 332, 334, 340, 392, 403, 408, 413, 430, 440, 448]:
    d = data[idx]
    print(f"No.{d['No.']}: {d['schoolName']}")
    print(f"  venues: {d['venues']}")
    print(f"  dates: {d['startDate']} ~ {d['endDate']}")
    print()
# Check items with 2+ venues (potential splitting issues)
for idx in [271, 272, 273, 274, 275, 276, 277, 278, 279, 280, 281, 287, 288, 296, 297, 298, 299, 300, 301, 302, 303, 304, 305, 306, 307, 308, 309, 310, 312, 313, 316, 317, 318, 319, 320, 321, 322, 323, 324, 325, 326, 327, 328, 329, 330, 331, 332, 333, 334, 335, 336, 337, 338, 339, 340, 341, 342, 343, 344, 345, 346, 347, 348]:
    d = data[idx]
    if len(d['venues']) >= 3:
        print(f"No.{d['No.']}: {d['schoolName']}")
        print(f"  venues: {d['venues']}")
        print(f"  dates: {d['startDate']} ~ {d['endDate']}")
        print()

两段交叉校验代码跑完，单一图文大模型解析校园数据的偏差被啃了下来，全部开放学校的基础信息与开放时间完成标准化清洗，给后续的地图定位与数据落地备好了精准数据源。

校验成果一览

输入交叉检查提示词后，系统逐张图片、逐条记录与 JSON 做系统比对，最终发现并修复约 46 处错误。主要修正汇总如下：

学校名称错误

序号	修正内容
No.93	浏阳市沙市市镇沙市完全小学 → 浏阳市沙市镇沙市完全小学
No.307	长沙高新区明华小学 → 长沙市岳麓区科教小学
No.422	长沙月亮岛第三小学 → 长郡月亮岛第三小学
No.429	兴中学 → 代管中学

开放场地错误

序号	修正内容
No.1	删除多余的 "足球场"
No.10	"室外体育馆" → "户外体育场"
No.13	"体育馆及羽毛球馆" → "篮球球场及羽毛球场"
No.29	"体育馆综合馆" → "体育综合楼"；"田径场" → "室外田径场"
No.280	删除重复的 "室外田径场"
No.314	"室外" → "室外上操场"
No.405	"主校门外" → "主校门旁"
No.424	"排球场" → "乒羽馆"
No.442	"室外篮球场"、"室内篮球场" → "室外田径场"、"室外篮球场"

日期错误（约 30 处）

• 市直：No.33（7/10→7/13）
• 雨花区：No.41、No.43（7/13→7/15）
• 湘江新区：No.281（8/29→8/7）、No.282（8/7→8/30）、No.286（8/30→8/20）、No.294（8/14→8/20）、No.305（8/30→8/27）、No.316（8/25→8/31）、No.326（7/30→8/25）、No.334（8/31→8/27）、No.335（8/26→8/27）等
• 宁乡市：No.359（8/30→7/30）
• 天心区：No.407（8/10→8/18）、No.414（7/5→7/15, 8/25→8/30）、No.415（8/30→8/16）、No.416（7/7→7/11, 8/8→8/28）
• 望城区：No.418（8/29→8/25）
• 芙蓉区：No.441（8/29→8/25）、No.442（8/14→8/20）、No.443-446（7/8→7/11）、No.447（7/8→7/5）、No.448（7/6→7/5, 8/6→8/4）、No.449（7/7→7/1）、No.450（7/1→7/12）、No.451（7/10→7/12）、No.453（7/6→7/4）

全部 455 条记录的 startDate/endDate 已按图片中的实际日期范围重新核对；venues 数组按图片中顿号/逗号分隔，保留了"（室外）"、"（室内）"等括号备注。原图中带有分段备注的日期（如"逢周日闭馆"、"工作日"等）因已拆分为 startDate/endDate，备注信息未保留在 JSON 中，但整体时间跨度已取最早/最晚日期。本轮校正消耗积分 304 个，耗时约 28 分钟。

集成腾讯地图 Skill 落地经纬度

数据纠错清洗完成后，所有校园数据仍只停留在文本地址层面，无法直接用于地图展示、区域检索、距离测算。为此，基于 CodeBuddy 集成腾讯地图 Skill，把文本地址自动转换成精准经纬度，完成校园位置信息的地理数字化。

需求拆解

集成目标很明确：基于清洗后的长沙开放学校标准化地址，批量、精准地获取每所学校经纬度坐标。它要同时满足三件实事：

• 高精度定位：规避普通地址解析的模糊定位，精准匹配校园正门坐标；
• 批量处理：支持数十所学校地址批量转换，适配批量数据场景；
• 无缝集成：依托 CodeBuddy 原生 Skill 能力，无需额外部署第三方 SDK，压低开发成本。

传统地址转经纬度依赖第三方 API 手动调用、参数拼接，开发繁琐且容错率低。CodeBuddy 官方适配的腾讯地图 Skill 基于 MCP 协议封装，原生支持地址解析、经纬度获取、地图点位渲染，开箱即用，正好契合本项目。

接入步骤

CodeBuddy 全面支持腾讯位置服务 Skill 扩展，通过技能导入与 Key 配置即可快速启用，具体步骤如下：

步骤 1：获取腾讯地图开发 Key

登录腾讯位置服务控制台，创建 Web 端应用，拿到专属 Key 与密钥用于接口权限校验，这是 Skill 调用的核心凭证。

步骤 2：下载并导入腾讯地图 Skill

前往腾讯位置服务 Skill 官方仓库，下载 tencentmap-jsapi-gl-skill 技能包，解压后在 CodeBuddy IDE 中点击「技能-导入 Skill 文件夹」，选中解压目录完成导入；也可通过软链接把技能包放进 CodeBuddy 全局技能目录实现全局生效。

步骤 3：配置 MCP 服务与 Key

在 CodeBuddy MCP 配置界面编辑 mcp.json，添加腾讯地图服务配置并绑定个人开发 Key，重启技能服务后即可启用经纬度定位能力：

{
  "mcpServers": {
    "tencent-map": {
      "url": ""
    }
  }
}

步骤 4：验证 Skill 可用性

在 CodeBuddy 对话窗口输入指令：

@skill:tencentmap-lbs-skill 请调用腾讯地图的服务，
将changsha_schools_sports_2026.json 中的schoolName进行位置检索，
返回对应的经纬度值，并添加到对应的json中。

批量位置转换

Skill 配置妥当后，基于清洗后的标准化学校地址，编写批量经纬度转换代码，调用腾讯地图 Skill 能力实现地址一键转坐标：

import urllib.request
import urllib.parse
import json
import time
import os

KEY = '你的腾讯地图Web端Key'
INPUT_FILE = 'changsha_schools_sports_2026.json'
OUTPUT_FILE = 'changsha_schools_sports_2026.json'

def geocode(address):
    """调用腾讯地图地理编码API，返回(lng, lat)或(None, None)"""
    url = f')}&key={KEY}'
    try:
        req = urllib.request.Request(url, headers={'User-Agent': 'Mozilla/5.0'})
        resp = urllib.request.urlopen(req, timeout=15).read().decode('utf-8')
        data = json.loads(resp)
        if data.get('status') == 0:
            loc = data.get('result', {}).get('location')
            if loc and 'lng' in loc and 'lat' in loc:
                return float(loc['lng']), float(loc['lat'])
        return None, None
    except Exception as e:
        return None, None

def clean_name(name):
    """去掉括号及其中内容，用于备选查询"""
    import re
    return re.sub(r'[（(].*?[）)]', '', name).strip()

def main():
    with open(INPUT_FILE, 'r', encoding='utf-8') as f:
        data = json.load(f)

    success = 0
    fail = 0
    failed_items = []

    total = len(data)
    for idx, item in enumerate(data):
        no = item.get('No.', idx + 1)
        name = item.get('schoolName', '')
        if not name:
            continue

        # 优先用原始名称查询
        lng, lat = geocode(name)

        # 如果失败，尝试去掉括号内容
        if lng is None:
            clean = clean_name(name)
            if clean and clean != name:
                lng, lat = geocode(clean)

        # 如果还失败，尝试加"长沙市"前缀（针对区县级学校）
        if lng is None and not name.startswith('长沙市'):
            lng, lat = geocode('长沙市' + name)

        if lng is not None:
            item['longitude'] = lng
            item['latitude'] = lat
            success += 1
        else:
            fail += 1
            failed_items.append((no, name))

        # 每10条打印一次进度
        if (idx + 1) % 10 == 0 or idx == total - 1:
            print(f'进度: {idx + 1}/{total}, 成功: {success}, 失败: {fail}')

        # 控制请求频率，避免限流
        time.sleep(0.15)

    # 写回JSON
    with open(OUTPUT_FILE, 'w', encoding='utf-8') as f:
        json.dump(data, f, ensure_ascii=False, indent=2)

    print(f'\n处理完成！总计: {total}, 成功: {success}, 失败: {fail}')
    if failed_items:
        print('\n失败的条目:')
        for no, name in failed_items:
            print(f'  No.{no}: {name}')

if __name__ == '__main__':
    main()

代码执行后，每所开放学校都匹配到了精准经纬度坐标，同时返回定位精度参数，能够区分精准定位与模糊定位数据，为后续地图展示、区域筛选、便民查询功能提供可靠的 LBS 数据支撑。最终在 json 结果中，位置信息已成功获取并写回原始文件。

小结

面向暑期学校开放信息图文解析的偏差问题，这套 CodeBuddy 多模型交叉校验 + 腾讯地图 Skill 精准定位的方案，切中了单一图文大模型解析不准、垂直场景容错率低、文本地址无法地理数字化的三个核心痛点。

在数据纠错层面，依托 CodeBuddy 多模型并行推理，通过 GLM 与 Kimi 双模型交叉比对，实现学校基础信息与开放时间的自动化校验纠错，大幅压低人工核验成本，守住校园开放数据的准确性与规范性。在位置数字化层面，轻量化集成腾讯地图原生 Skill，无需复杂开发即可批量完成地址转经纬度，为便民查询系统、校园开放地图展示、区域公共服务分析提供可靠数据底座。

整套方案轻量、可复用、易拓展，既能服务校园开放数据处理，也可迁移到政务公示信息解析、公共服务点位校准、图文结构化数据纠错等垂直场景，为开发者化解模型输出偏差、快速落地 LBS 位置服务提供了可借鉴的实操路径。后续还可叠加多轮迭代校验、异常数据自动复盘、地图点位可视化渲染等能力，把数据处理的自动化与智能化再推一步。