基于腾讯云Serverless与AI大模型构建结构施工图智能附注系统

你是一名建筑设计师，每天要处理几十张结构施工图。每张图纸上都有密密麻麻的标注、尺寸线和文字说明，这些“附注”是施工的生命线，但手动绘制和检查它们，不仅耗时费力，还极易出错。一个标注的遗漏或错误，都可能在施工阶段引发连锁反应。

有没有一种方法，能让图纸上的附注工作自动化、智能化？让AI看懂图纸，自动识别构件并生成规范的标注？这听起来像是未来，但今天，基于腾讯云的几项核心服务，我们完全可以在云端搭建一套属于自己的“结构施工图智能附注系统”。

这篇文章要解决的，正是这个从“手动苦力”到“智能助手”的工程化落地问题。我将带你一步步，基于腾讯云对象存储（COS）、云函数（SCF）和混元视觉大模型，构建一个完整的云端智能附注流水线。你不需要是AI专家，只需要有基本的Python和云服务操作知识。读完本文，你将能亲手部署一个系统：上传一张结构施工图，系统自动识别其中的梁、板、柱、墙等构件，并为其生成符合规范的尺寸、材料、编号等附注信息，最终将结果返回或叠加到原图上。

这不仅仅是调用一个API，而是一个涵盖文件触发、AI推理、结果处理的完整Serverless应用架构。我们将深入每个环节的配置细节、代码实现和避坑指南。

1. 为什么需要“智能附注”？从行业痛点说起

在传统的建筑设计流程中，结构施工图的附注工作高度依赖设计师的经验和耐心。这个过程存在几个核心痛点：

1. 重复劳动与低效：同类构件（如标准层的柱子）标注方式几乎一致，但设计师仍需逐一绘制标注线和填写文本。
2. 人为错误风险：在图纸密集、工期紧张时，漏标、错标（如将C30混凝土标成C25）的情况时有发生。
3. 规范一致性难保证：不同设计师或同一设计师在不同时期的标注习惯可能存在细微差异，影响图纸的标准化。
4. 图纸变更同步难：当设计发生变更时，相关的所有附注都需要手动检查和更新，极易遗漏。

“智能附注”系统的价值，就在于将设计师从重复、机械的标注劳动中解放出来，使其能更专注于结构方案优化等创造性工作。系统确保附注的准确性、一致性和即时性，图纸一旦修改，重新处理即可获得更新后的标准附注。

而选择腾讯云作为实现平台，主要基于其三点优势：

• 服务集成度高：COS（存储）、SCF（计算）、混元大模型（AI能力）同属腾讯云生态，内网互通、权限管理、监控日志一体化，极大降低了集成复杂度。
• Serverless架构成本低：采用SCF，只在有图纸上传时才触发运行，按实际调用次数和资源消耗计费，在项目初期或低频使用场景下成本极低。
• 免运维：无需关心服务器、运行环境、扩缩容等问题，聚焦业务逻辑开发。

2. 核心组件与系统架构全景

在动手写代码之前，我们必须理解系统中每个核心组件扮演的角色，以及它们如何协同工作。

系统数据流（核心架构）：

设计师上传图纸 -> COS（存储并产生事件） -> SCF（被事件触发）-> 调用混元视觉大模型API -> 接收识别结果 -> SCF处理结果（生成附注）-> 将结果文件上传至COS另一个目录 -> 通知或供用户下载

这是一个典型的事件驱动、Serverless的云上应用架构，高可用、弹性伸缩，且各组件职责清晰。

3. 环境准备与云资源开通

在开始编码前，我们需要在腾讯云控制台完成以下资源的创建和配置。请确保你已拥有腾讯云账号。

3.1 创建存储桶（COS Bucket）

1. 登录 腾讯云COS控制台 。
2. 点击“创建存储桶”。
3. 填写基本信息：
   • 存储桶名称：例如structural-drawing-智能附注-1301234567（请替换为你的APPID，可在账号信息中查看）。
   • 地域：选择与你后续SCF和希望访问速度最优的区域，如北京。
   • 访问权限：选择“私有读写”。我们的系统通过SCF内部服务角色访问，无需公开。
4. 其他配置保持默认，点击“创建”。

我们将用这个桶存放所有图纸。可以在桶内创建两个文件夹以作区分：

• input/: 用于上传待处理的原始图纸。
• output/: 用于存放处理后的结果。

3.2 创建云函数（SCF）并配置COS触发器

1. 登录 腾讯云SCF控制台 。
2. 在目标地域（建议与COS桶相同），点击“新建”。
3. 基础配置：
   • 函数名称：smart-drawing-annotation
   • 运行环境：Python 3.7（或更高稳定版本）
   • 创建方式：选择“自定义创建”
4. 函数代码：我们暂时提交一个简单的示例代码，后续会详细编写。选择“在线编辑”，粘贴以下代码：

   import json import logging from tencentcloud.common import credential from tencentcloud.common.profile.client_profile import ClientProfile from tencentcloud.common.profile.http_profile import HttpProfile from tencentcloud.hunyuan.v20230901 import hunyuan_client, models import sys import os sys.path.insert(0, '/opt/python/libs') logger = logging.getLogger() def main_handler(event, context): logger.info("Received event: %s", json.dumps(event, indent=2)) # 1. 解析COS触发事件，获取文件信息 # 2. 下载文件到临时目录 # 3. 调用混元视觉大模型API # 4. 处理返回的识别结果 # 5. 生成结果文件并上传回COS # 6. 清理临时文件 return "Function execution started."

   注意：这里导入了tencentcloud-sdk-python，但在线编辑环境默认不包含。我们将在下一步通过“层”功能解决。
5. 高级配置：
   • 执行超时时间：建议设置为60秒或更长，因为AI推理可能需要时间。
   • 环境变量：可先不配置。
   • 初始化超时时间：默认即可。
6. 触发器配置：
   • 点击“添加触发器”。
   • 触发器类型：选择“COS触发器”。
   • COS Bucket：选择刚才创建的structural-drawing-xxx存储桶。
   • 事件类型：选择全部创建事件（包括PUT和POST等）。
   • 前缀过滤：填写input/。这意味着只有input/目录下的文件上传才会触发此函数。
   • 后缀过滤：可填写.png,.jpg,.jpeg,.pdf等图纸常见格式。
   • 点击“保存”。

3.3 配置函数依赖（使用“层”管理Python包）

SCF在线编辑环境不包含腾讯云SDK等第三方库。最佳实践是使用“层”。

1. 在本地创建一个空文件夹，如python_libs。
2. 在该文件夹内，安装所需包到当前目录：

   cd python_libs pip install tencentcloud-sdk-python-hunyuan pillow -t .

   • tencentcloud-sdk-python-hunyuan: 腾讯云混元大模型的官方SDK。
   • pillow: Python图像处理库，用于处理图纸图片。
3. 将python_libs文件夹压缩为layer.zip（注意压缩包内直接是文件，不要包含外层文件夹）。
4. 在SCF控制台，左侧导航栏选择【层】->【新建】。
5. 上传layer.zip，运行环境选择Python3.7，提交。
6. 回到我们刚创建的smart-drawing-annotation函数。
7. 在“函数配置”标签页，点击“编辑”，在“层配置”部分添加刚才创建的层。
8. 同时，需要修改函数代码中的引用路径。我们之前代码中已有sys.path.insert(0, '/opt/python/libs')，SCF会将层的内容挂载到此路径。

3.4 获取API密钥并配置角色权限

SCF需要权限访问COS和调用混元大模型。

1. 获取API密钥：在 腾讯云API密钥管理 页面，获取你的SecretId和SecretKey。请妥善保管，不要泄露。
2. 配置SCF运行角色：
   • 在SCF函数配置的“执行角色”部分，点击“配置并使用SCF预设角色”。这会自动创建一个具有基础权限（如COS读写、日志写入）的角色SCF_ExecuteRole。
   • 但预设角色可能不包含混元大模型的调用权限。我们需要额外授权。
3. 为角色添加策略：
   • 进入 访问管理CAM控制台 。
   • 点击“新建自定义策略”，选择“按策略语法创建”。
   • 选择“空白模板”。
   • 输入策略名称，如SCF-Invoke-Hunyuan。
   • 在策略内容中，粘贴以下JSON（这是一个允许调用混元视觉理解的策略示例，具体Action以最新文档为准）：

     { "version": "2.0", "statement": [ { "effect": "allow", "action": [ "hunyuan:ImageUnderstand" ], "resource": "*" } ] }

   • 创建完成后，找到该策略，将其关联到SCF_ExecuteRole这个角色。

至此，云资源的基础配置完成。接下来，我们将进入核心逻辑的编码阶段。

4. 核心逻辑拆解与代码实现

我们将云函数main_handler的逻辑拆解为几个清晰的步骤，并逐一实现。

4.1 解析COS触发事件与下载文件

COS触发器会将事件信息以特定的JSON结构传递给SCF。我们需要从中解析出触发文件的Bucket名称、Key（路径）等信息，然后使用COS SDK下载文件到函数的临时磁盘 (/tmp) 中。

# 文件：index.py (SCF函数入口文件) import json import logging import os import sys from datetime import datetime sys.path.insert(0, '/opt/python/libs') from tencentcloud.common import credential from tencentcloud.common.profile.client_profile import ClientProfile from tencentcloud.common.profile.http_profile import HttpProfile from tencentcloud.hunyuan.v20230901 import hunyuan_client, models from PIL import Image, ImageDraw, ImageFont import tempfile # 注意：COS SDK通常也通过层引入。如果层里安装了cos-python-sdk-v5，则导入。 # from qcloud_cos import CosConfig, CosS3Client logger = logging.getLogger() def download_from_cos(bucket, key, local_path): """ 从COS下载文件到本地。 由于SCF可能已内置COS SDK或通过环境变量传递，这里简化处理。 实际生产环境应使用官方COS SDK。 """ # 此处为简化示例。真实场景请使用： # config = CosConfig(Region=region, SecretId=secret_id, SecretKey=secret_key) # client = CosS3Client(config) # response = client.get_object(Bucket=bucket, Key=key) # response['Body'].get_stream_to_file(local_path) logger.info(f"模拟从COS下载: {bucket}/{key} -> {local_path}") # 模拟：假设文件已通过事件传递？不，SCF需要主动下载。 # 我们暂时跳过真实下载，假设文件已在/tmp。后续需补充完整SDK调用。 return local_path def main_handler(event, context): logger.info("Received event: %s", json.dumps(event, indent=2)) # 1. 解析事件 try: # COS触发器的标准事件格式 records = event.get('Records', []) if not records: logger.error("Event has no Records.") return {"error": "Invalid event structure"} cos_event = records[0] cos_obj = cos_event.get('cos', {}) cos_bucket = cos_obj.get('bucket', {}).get('name', '').replace('-', '.') # Bucket名格式处理 cos_key = cos_obj.get('object', {}).get('key', '') # URL解码Key import urllib.parse cos_key = urllib.parse.unquote_plus(cos_key) logger.info(f"File uploaded: Bucket={cos_bucket}, Key={cos_key}") # 只处理input/目录下的文件 if not cos_key.startswith('input/'): logger.info(f"File {cos_key} is not under 'input/', skip.") return {"status": "skipped"} # 2. 准备本地临时文件路径 file_name = os.path.basename(cos_key) # 使用时间戳防止重名 timestamp = datetime.now().strftime("%Y%m%d%H%M%S") local_input_path = f"/tmp/input_{timestamp}_{file_name}" # 3. 下载文件 (此处需替换为真实COS SDK调用) # 假设我们有一个函数 download_from_cos # local_input_path = download_from_cos(cos_bucket, cos_key, local_input_path) # 为演示，我们假设文件已存在（实际开发中必须实现下载） logger.warning("COS download logic pending implementation with SDK.") # 临时：创建一个虚拟文件或跳过下载步骤。后续必须实现。 except Exception as e: logger.error(f"Error parsing event or downloading file: {e}") return {"error": f"Initialization failed: {str(e)}"} # 后续步骤：调用AI模型和处理结果... return {"status": "processing started", "file": file_name}

4.2 调用混元视觉大模型进行图纸理解

这是系统的AI核心。我们将使用混元视觉大模型的“图像理解”类API。你需要查阅腾讯云混元大模型的最新API文档，确认准确的接口名称、参数和返回格式。以下是一个基于常见模式的示例。

def call_hunyuan_vision_api(image_path, secret_id, secret_key): """ 调用混元视觉大模型API分析图纸。 注意：此示例基于假设的API参数，实际请以官方文档为准。 """ try: # 初始化认证和客户端 cred = credential.Credential(secret_id, secret_key) http_profile = HttpProfile() http_profile.endpoint = "hunyuan.tencentcloudapi.com" # 以实际端点为准 client_profile = ClientProfile() client_profile.httpProfile = http_profile client = hunyuan_client.HunyuanClient(cred, "ap-beijing", client_profile) # 地域根据你的模型开通区域选择 # 构建请求参数 req = models.ImageUnderstandRequest() # 假设API需要图片的Base64编码 import base64 with open(image_path, "rb") as img_file: img_base64 = base64.b64encode(img_file.read()).decode('utf-8') # 以下参数名称和结构为示例，必须参照官方文档调整 # 例如，可能有一个 ImageBase64 参数，或者需要指定任务类型为“物体检测”、“OCR”等 params = { "ImageBase64": img_base64, "Prompt": "请识别这张建筑结构施工图中的所有主要结构构件，包括梁、板、柱、墙、基础等，并返回它们的类型、在图片中的边界框坐标（x1,y1,x2,y2）、以及可能的尺寸或编号文本。" # "Action": "ImageUnderstand", # "Version": "2023-09-01", } req.from_json_string(json.dumps(params)) logger.info(f"Sending request to Hunyuan API for {image_path}") resp = client.ImageUnderstand(req) logger.info(f"Hunyuan API response: {resp.to_json_string()}") # 解析响应 # 响应结构也需根据实际API调整。假设返回一个包含 Detections 列表的JSON。 resp_json = json.loads(resp.to_json_string()) detections = resp_json.get('Detections', []) return detections except Exception as e: logger.error(f"Error calling Hunyuan API: {e}") # 可以考虑加入重试逻辑 raise e # 在main_handler中调用 def main_handler(event, context): # ... 之前解析和下载文件的代码 ... # 4. 调用混元视觉大模型 secret_id = os.environ.get('TENCENT_SECRET_ID') # 建议通过环境变量传入 secret_key = os.environ.get('TENCENT_SECRET_KEY') if not secret_id or not secret_key: logger.error("SecretId or SecretKey not configured in environment variables.") return {"error": "API credentials missing"} try: # 假设我们只处理图片，如果是PDF需先转换 if local_input_path.lower().endswith(('.png', '.jpg', '.jpeg')): detections = call_hunyuan_vision_api(local_input_path, secret_id, secret_key) logger.info(f"Detected {len(detections)} objects.") else: logger.error(f"Unsupported file format for {local_input_path}") return {"error": "Unsupported file format"} except Exception as e: logger.error(f"AI processing failed: {e}") return {"error": f"AI processing failed: {str(e)}"} # 后续步骤：处理识别结果...

重要提示：混元视觉大模型的具体能力、API接口、参数和计费方式，请务必以 腾讯云官方文档 为准。上述代码中的ImageUnderstandRequest、参数名和返回字段均为示例，你需要根据实际可用的API进行调整。可能的任务类型包括“通用物体检测”、“OCR（光学字符识别）”或特定的“行业文档理解”。

4.3 处理识别结果并生成附注

AI模型返回的是结构化的检测数据（如构件类型、位置坐标、识别文字）。我们需要将这些数据转化为图纸上的可视化附注。这里我们使用PIL库在原图上绘制。

def generate_annotated_image(input_image_path, detections, output_image_path): """ 根据识别结果，在原图上绘制附注（边框、标签、文字）。 """ try: # 打开原始图片 original_img = Image.open(input_image_path).convert("RGB") draw = ImageDraw.Draw(original_img) # 可以选择加载字体，SCF环境中可能没有中文字体，需自行上传或使用默认 try: # 假设我们将字体文件放在函数代码目录或层中 font_path = "/var/user/SimHei.ttf" # 需要提前将字体文件打包到层或代码包 font = ImageFont.truetype(font_path, 20) except: font = ImageFont.load_default() logger.warning("Using default font, Chinese may display as squares.") for idx, det in enumerate(detections): # 解析检测结果，字段名需与API返回一致 label = det.get('Label', 'Unknown') # 构件类型，如 'Column', 'Beam' confidence = det.get('Confidence', 0) # 边界框坐标，假设为 [x1, y1, x2, y2] 或 {“X”, “Y”, “Width”, “Height”} bbox = det.get('BBox', {}) # 识别出的文本，如尺寸“500x600” text = det.get('DetectedText', '') # 坐标转换和处理（根据API实际返回格式） if isinstance(bbox, list) and len(bbox) == 4: x1, y1, x2, y2 = bbox elif isinstance(bbox, dict): # 假设是中心点+宽高格式 x = bbox.get('X', 0) y = bbox.get('Y', 0) w = bbox.get('Width', 0) h = bbox.get('Height', 0) x1, y1, x2, y2 = x - w/2, y - h/2, x + w/2, y + h/2 else: continue # 无法解析边框，跳过 # 绘制矩形框 draw.rectangle([x1, y1, x2, y2], outline="red", width=3) # 准备标签文本 label_text = f"{label}: {text}" if text else label if confidence > 0: label_text += f" ({confidence:.1%})" # 绘制文本背景和文字 text_bbox = draw.textbbox((x1, y1 - 25), label_text, font=font) draw.rectangle(text_bbox, fill="red") draw.text((x1, y1 - 25), label_text, fill="white", font=font) logger.debug(f"Drew annotation for {label} at ({x1},{y1})-({x2},{y2})") # 保存处理后的图片 original_img.save(output_image_path) logger.info(f"Annotated image saved to {output_image_path}") return output_image_path except Exception as e: logger.error(f"Error generating annotated image: {e}") raise e # 在main_handler中调用 def main_handler(event, context): # ... 之前调用AI模型的代码 ... # 5. 生成带附注的图片 local_output_path = f"/tmp/output_{timestamp}_{file_name}" try: output_image_path = generate_annotated_image(local_input_path, detections, local_output_path) except Exception as e: logger.error(f"Annotation generation failed: {e}") return {"error": f"Annotation generation failed: {str(e)}"} # 后续步骤：上传结果到COS...

4.4 上传结果至COS并清理

处理完成后，需要将结果文件上传到COS的output/目录，并清理本地临时文件以释放/tmp空间。

def upload_to_cos(local_path, bucket, key): """ 上传文件到COS。 同样，此处为示例，需替换为真实COS SDK调用。 """ logger.info(f"模拟上传到COS: {local_path} -> {bucket}/{key}") # 真实代码示例 (需安装并导入COS SDK): # from qcloud_cos import CosConfig, CosS3Client # secret_id = os.environ.get('TENCENT_SECRET_ID') # secret_key = os.environ.get('TENCENT_SECRET_KEY') # region = 'ap-beijing' # 与bucket地域一致 # config = CosConfig(Region=region, SecretId=secret_id, SecretKey=secret_key) # client = CosS3Client(config) # with open(local_path, 'rb') as fp: # response = client.put_object( # Bucket=bucket, # Body=fp, # Key=key, # StorageClass='STANDARD', # EnableMD5=False # ) # logger.info(f"Upload successful. ETag: {response['ETag']}") return True # 在main_handler中整合 def main_handler(event, context): # ... 之前生成结果图片的代码 ... # 6. 上传结果文件到COS的output目录 output_cos_key = f"output/{file_name}" try: upload_success = upload_to_cos(output_image_path, cos_bucket, output_cos_key) if not upload_success: logger.error("Failed to upload result to COS.") return {"error": "Upload failed"} logger.info(f"Result uploaded to: {output_cos_key}") except Exception as e: logger.error(f"Error uploading to COS: {e}") return {"error": f"Upload failed: {str(e)}"} # 7. 清理临时文件（可选，SCF运行环境会回收/tmp） try: if os.path.exists(local_input_path): os.remove(local_input_path) if os.path.exists(output_image_path): os.remove(output_image_path) logger.info("Temporary files cleaned up.") except Exception as e: logger.warning(f"Failed to clean up temp files: {e}") # 8. 返回成功信息 return { "statusCode": 200, "body": json.dumps({ "status": "success", "message": "Drawing processed successfully.", "input_key": cos_key, "output_key": output_cos_key, "detection_count": len(detections) }) }

5. 完整代码整合与部署

将以上所有步骤整合到一个完整的index.py文件中，并补充必要的错误处理和日志。然后，我们需要将这个完整的代码包部署到SCF。

1. 本地准备代码包： 在本地创建一个项目文件夹，例如smart-annotation。 将完整的index.py放入。 如果需要中文字体（如SimHei.ttf），也放入该文件夹。 创建一个requirements.txt文件，列出依赖（虽然我们用层，但也可以用于本地测试）：

   tencentcloud-sdk-python-hunyuan pillow

   （COS SDKcos-python-sdk-v5通常SCF运行环境已内置，如果层里需要，也加上）

2. 创建部署包： 将index.py、requirements.txt和字体文件一起压缩成ZIP包（例如smart-annotation.zip）。注意压缩包根目录就是这些文件。

3. 更新云函数： 回到腾讯云SCF控制台，找到之前创建的smart-drawing-annotation函数。 在“函数代码”页面，将“提交方法”从“在线编辑”改为“本地上传zip包”。 上传你的smart-annotation.zip。 点击“保存”。

4. 配置环境变量： 在“函数配置”页面，点击“编辑”，找到“环境变量”。 添加两个环境变量：

   • TENCENT_SECRET_ID: 你的SecretId
   • TENCENT_SECRET_KEY: 你的SecretKey注意：这是敏感信息，务必通过环境变量传入，不要硬编码在代码中。

5. 部署测试： 点击“保存”后，函数会自动部署。 你可以手动上传一张结构施工图（如test_drawing.png）到COS桶的input/文件夹。 在SCF控制台的“日志查询”页面，观察函数的执行日志。 如果一切顺利，你将在COS桶的output/文件夹下找到处理后的、带有红色标注框和标签的图片。

6. 运行效果验证与调试

成功部署后，验证流程是否通畅至关重要。

1. 手动触发测试：

   • 在COS控制台，进入你的存储桶，上传一张简单的、包含清晰梁柱的图纸到input/目录。
   • 立即切换到SCF控制台的“日志查询”页面，选择对应函数，查看实时日志。
   • 你应该能看到事件被触发、函数开始执行、调用AI API、生成图片、上传结果等一系列日志。
   • 最后，回到COS的output/目录，检查是否生成了新文件，并下载查看附注效果。

2. 关键日志点：

   • Received event: 确认事件格式正确。
   • File uploaded: Bucket=...: 确认文件路径解析正确。
   • Sending request to Hunyuan API: 确认API调用开始。
   • Hunyuan API response: 查看AI返回的原始数据，这是调试识别结果的关键。
   • Detected X objects: 确认识别到了物体。
   • Annotated image saved to ...和Result uploaded to ...: 确认处理流程完成。

3. 结果评估：

   • 打开处理后的图片，检查AI识别的构件类型（Label）是否准确。
   • 检查边界框（BBox）是否紧密贴合构件。
   • 检查识别出的文本（如尺寸标注）是否正确。
   • 如果效果不理想，需要分析原因：是图纸质量差、模型Prompt不够精确，还是后处理绘图逻辑有问题？

7. 常见问题与排查思路

在开发和运行过程中，你可能会遇到以下问题：

8. 最佳实践与进阶优化建议

一个可用的原型搭建完成后，可以考虑以下优化方向，使其更健壮、更实用。

1. 安全与权限最小化：

   • 环境变量：始终使用环境变量管理密钥，切勿硬编码。
   • CAM角色：遵循最小权限原则，为SCF运行角色创建只包含必要操作（如特定Bucket的读写、调用特定AI API）的自定义策略，而不是直接使用AdministratorAccess。

2. 错误处理与重试：

   • 在调用外部API（如混元模型）时，加入指数退避的重试机制，提高对瞬时网络故障的容错性。
   • 对下载/上传COS失败、图片解码失败等异常进行捕获和分类处理，记录详细日志，便于排查。

3. 性能与成本优化：

   • 图片预处理：在调用昂贵的AI API前，可在SCF中使用PIL对图片进行缩放（保持比例），减少传输和处理的数据量，降低成本并提升速度。
   • 异步处理：对于处理时间可能较长的任务，可以将SCF设置为异步执行模式，并通过COS触发器或API网关触发，避免前端长时间等待。
   • 结果缓存：如果同一张图纸可能被多次处理，可以考虑将AI识别结果（JSON格式）也存储到COS或数据库中，下次直接读取，避免重复调用AI产生费用。

4. 工程化扩展：

   • 多格式支持：除了图片，增加对PDF、DWG（需先转换）等格式的支持。可以在SCF中集成pdf2image等库。
   • 结果多样化：不仅生成图片，还可以将识别出的结构化数据（构件列表、坐标、属性）保存为JSON或CSV文件，供下游BIM系统或算量软件使用。
   • 工作流串联：结合腾讯云工作流引擎，将本函数作为其中一个步骤，构建更复杂的自动化审图、出图流程。
   • 状态通知：处理完成后，通过腾讯云短信、邮件或企业微信机器人，将结果链接通知给上传者。

5. 模型与Prompt调优：

   • 这是提升系统实用性的核心。需要深入理解混元视觉大模型的能力边界，设计更专业的Prompt。例如，针对结构施工图，Prompt可以更具体：“这是一张建筑结构平面图。请识别所有用粗实线表示的矩形，它们可能是混凝土柱。请返回每个矩形的中心点坐标和大致尺寸，并判断其是否为柱。同时，识别图中所有以‘KL’、‘L’开头的文本，它们可能是梁编号，请定位其位置。”
   • 如果通用模型效果有限，可以关注腾讯云是否推出或即将推出针对工程设计图纸的垂直领域视觉模型。

通过以上步骤，你不仅搭建了一个可运行的智能附注系统原型，更掌握了一套基于腾讯云Serverless服务构建AI应用的标准方法论。从事件触发、无服务器计算到AI能力集成，这个模式可以复用到图像审核、文档识别、内容分类等众多场景。