昨晚在HN上刷到这个Show HN，Palo Alto Civic，一个AI驱动的市政dashboard。点进去之前我愣了几秒，Palo Alto这个名字第一反应是那家网络安全公司，后来才反应过来，这

这个方向往细了说，第一反应是好发论文。civic tech加LLM，故事完整，demo效果好，审稿人看着也挑不出大毛病。但真做过信息抽取的人都知道，瓶颈从来不在模型那一侧。我做CV的，前一阵子帮人处理过一批市政公开文件，PDF转文本这一步就够受的。表格错位、扫描件歪斜、页眉页脚混进正文，这些小毛刺基本吃掉整个流程七成时间。916这个数字看起来干净，可它是从哪份文件里抽出来的，抽的时候有没有把2022年的数据和2023年的混在一起，这才是误差分析该回答的问题。HN上有条评论说，没登录的时候看不到dashboard界面，登录进sprinklz才能看到所有参数。这个设计我倒是理解，调参过程不适合摊开给人看。但参数只是参数，没人能保证同一套抽取逻辑在每一份文档上都成立。

后来我又想了一层，civic dashboard跟别的dashboard有个本质区别：错了没人兜底。企业内部用AI看板，预测偏了顶多损失点效率，后面还有运营团队盯着纠偏。市政dashboard面向的是选民。Measure J十一月就要投票了，如果AI把某个摘要弄拧了，或者把项目进度渲染得过于乐观，市民拿着这个信息去投票，投完了发现原始文件和dashboard对不上，这个责任谁来追溯。论文写得再差可以挂一个limitations段落，市政dashboard不可能挂免责声明，挂了也没用，人会信。

有意思的是，同名的Palo Alto Networks那家安全公司，最近也在推AI dashboard，给企业看安全告警的。一家面向企业合同，一家面向市民，技术底层都差不多，大模型加可视化，但责任边界完全是两码事。企业买软件是契约关系，出了错有赔偿条款兜着。市民用市政dashboard没有任何契约，它是公共品，公共品出错的成本是信任本身。

这跟我上周写的那个帖子恰好是两个方向。造AI垃圾的和洗AI垃圾的是同一批人，说的是互联网自我污染。Palo Alto Civic这个项目反过来了，它是拿AI去清理市政信息的死角，出发点值得肯定。但信息管道里每一个环节都可能引入噪声，而这套东西现在缺的，恰恰是学术论文里最常规的一步：一轮像样的error analysis，再把结果摊开给人看。没有审稿人的地方，AI的自信就是最大的风险。

---

📌 本文编译自 Hacker News，原文：https://paloaltocivic.com

版权归原作者所有，本文为基于公开报道的编译与独立分析。