按传统方式，你需要逐幅图片打开、肉眼观察，然后在后台一栏一栏地手动填表：商品名“户外多功能登山包”、颜色“军绿”、材质“尼龙”、适用场景“徒步、露营”。500 件商品，每件填 10 个属性，意味着至少 5000 次重复劳动。痛苦指数满天星——而且这套流程不仅慢，还很容易出错：张三可能填“军绿”，李四可能填“深绿色”，最终导致顾客在前台搜“军绿”时根本搜不到这批货。

12.1.2 用 AI 工作流解决的新思路

如果用扣子 AI 编程构建一个工作流来处理这件事，整个流程会被压缩成“把图片批量丢进去，自动得到一份标准的 JSON 标签数据”。这份数据可以直接被电商后台的导入接口消费，无需人工二次编辑。整体工作流如图 12-1 所示——从“开始”进入图片预处理、识别主题、提取标签、JSON 输出，再到“结束”，串成一条完整的流水线。

图 12-1 电商图自动打标的整体工作流

12.1.3 本案例的两个隐形大坑

这个任务看起来简单，但藏着两个普通用户容易忽视的工程坑。

第一个坑是图片质量参差不齐。运营同事拍的实物图，有的角度是歪的（手机横着拍但保存时旋转了 90 度）、有的光线不足导致整幅图发暗、有的甚至有点模糊。如果直接把这些图丢给 AI，识别准确率会打很大折扣，甚至出现“把鞋认成包”这种低级错误。

第二个坑是格式约束。前几章我们让 AI 输出给人看（文案、绘本），它可以天马行空。本章我们要让 AI 输出给机器看——电商后台的导入接口，对 JSON 格式有严格要求，少一个引号、多一个逗号，系统就会拒收。这是“生成”与“结构化”两种应用范式最显著的差异。

12.2 工作流的设计：像 CTO 一样思考

12.2.1 一段工程化的指令

来看本案例的完整指令，如图 12-2 所示的提示词页面。这段指令比前两章更接近“CTO 给团队布置任务”的口吻——既描述了业务目标，也明确了每一步的输出契约。

图 12-2 电商图自动打标的提示词页面

请设计一个电商图自动打标工作流。用户上传商品图后，自动生成便于管理和搜索的产品标签。① 图片预处理：若图片旋转或模糊，先自动校正增强，保证识别准确，存储在 tos 内。② 识别主题：用一句话概括商品主体（如“户外登山背包正面展示”），识别不出则返回“无法识别”。③ 提取标签：生成 3–10 个适合搜索的标签，涵盖品类、场景、材质、风格、颜色等维度。④ JSON 输出：最后输出标准 JSON 格式，包含“主题描述”和“语义标签”。

12.2.2 拆解：AI 是如何理解“工程化指令”的

AI 接到这段指令后，在“大脑”中构建了一条严密的数据处理流水线（Pipeline）。整条流水线由四个节点首尾相接组成，每个节点都有清晰的输入与输出。

第一个节点是工程节点——图片预处理，如图 12-3 所示的预处理配置面板，对应的脚本片段如图 12-4 所示。AI 的“潜台词”是：“人类上传的图片通常不靠谱，我得先修图，把歪的扶正，把暗的调亮。”

图 12-3 图片预处理节点的配置

图 12-4 图片预处理节点的实现脚本

第二个节点是认知节点——主题识别，如图 12-5 所示。这里调用的是多模态大模型（Vision Model），AI 的“潜台词”是：“图修好了，现在该用‘眼睛’看看了——这是一只包，还是一双鞋？”

图 12-5 主题识别节点的配置

第三个节点是推理节点——标签提取。这一步调用的是大语言模型（LLM），AI 的“潜台词”是：“看到这是个包，那我得从材质、风格、用途几个角度联想——这材质看着像尼龙，结构像重装徒步用的，那就生成对应的 SEO 标签。”

第四个节点是格式化节点——JSON 输出。AI 的“潜台词”是：“用户要 JSON，我就不能多说废话，必须严格按 Key-Value 的格式吐出来。”

12.3 关键技术突破

12.3.1 预处理：给 AI 戴上一副“眼镜”

这是本案例与之前几章“纯 AI 生成”类应用最大的不同点——本案例使用了混合智能。我们不仅用了 AI 大模型，还结合了传统的代码能力，让两者各司其职。

在“图片预处理”节点，AI 自动编写了一段 Python 代码，用于检测图片的 EXIF 信息。如果发现图片自带“旋转 90 度”的元数据，它会自动将图像旋转回正确方向；如果发现光线偏暗，则进行简单的亮度调节。这就像给近视的 AI 戴上了一副眼镜，确保它看到的“上面”真的是“上面”，看到的“深色”真的是“深色”。

这一节点也提醒我们：AI 并不是万能的，恰当地把传统代码与 AI 模型组合在一起，往往能把识别准确率从 80% 提升到 99% 以上。

12.3.2 结构化输出：让数据“规规矩矩”

在前几章里，AI 写文案、画绘本，输出可以是任意自然语言——人类一看就懂，但机器很难解析。本章则截然不同，我们要求的输出格式必须是 JSON。下面这组对照，能让你直观地感受到二者的区别。

❌ 不合格的输出（人类可读，机器不可读）：

这张图里有个包，看上去是户外用的，颜色偏军绿，材质大概是尼龙……

✅ 合格的输出（机器可直接消费）：

{

"theme_description": "军绿色大容量户外战术双肩包",

"tags": ["战术", "户外", "防水尼龙", "MOLLE系统", "徒步", "军绿"]

}

AI 在搭建这个节点时，通过 System Prompt（系统提示词）严格约束了输出格式，确保每一次运行的结果都能被电商后台系统直接读取。这种格式契约式的设计，是 AI 与传统软件系统协同工作时最重要的桥梁。

【提示】 只要涉及与其他系统（如 Excel、数据库、网站后台）对接，请务必在指令里强调“输出标准 JSON 格式”。JSON 是 AI 与传统软件之间的通用语言，规规矩矩才靠得住。

12.4 运行验证：见证“金牌理货员”的诞生

配置完工作流后，我们随手上传一幅拍摄角度随意、光线一般的户外背包图片，点击“试运行”按钮。

12.4.1 处理过程

从系统日志中可以观察到完整的处理流程。首先在预处理阶段，系统日志输出了“Image rotated by -90 degrees”，意味着图片被自动扶正了。紧接着进入识别阶段，多模态模型精准捕捉到了背包的几个关键细节：迷彩纹路、多个外挂口袋、肩带的承重设计。

12.4.2 最终产出

几秒钟后，屏幕上弹出了完美的结构化数据：

{

"final_result": {

"主题描述": "大容量迷彩战术登山背包，多口袋设计",

"语义标签": [

"登山包", "迷彩", "战术风格", "多功能口袋",

"户外探险", "防水面料", "露营装备", "大容量"

"预处理图片URL": "https://tos-url..."

}

两点惊艳之处值得指出。其一是标签的精准度：AI 不仅识别出了“背包”这一品类，还识别出了“迷彩”“战术风格”这种细分属性，覆盖了搜索引擎优化所需的多个语义维度。其二是格式的规范度：直接复制这段 JSON，或者通过 API 把它写入数据库，都不需要任何二次处理。

12.4.3 设计目标与实际效果的对照

把 12.2.1 节指令所声明的四项核心能力与本节实际运行结果做一次对照，如表 12-1 所示。

表 12-1 设计目标与实际交付的对照

设计目标	实际交付	验证
图片预处理（校正、增强、存储）	图片被自动旋转 -90 度，并存入 tos	达成
识别主题（一句话概括商品主体）	输出“大容量迷彩战术登山背包，多口袋设计”	达成
提取 3–10 个搜索标签	输出 8 个覆盖品类/场景/材质/风格的标签	达成
JSON 标准格式输出	结构规整，可被系统直接读取	达成

四项设计目标全部达成，且没有出现幻觉式的捏造标签。这条工作流，已经具备了直接投入生产的能力。

12.5 经验总结与迁移应用

12.5.1 三条避坑指南

经验一：预处理远不止是修图。如果你的业务涉及发票识别、证件识别、运单识别等场景，务必加上“图像预处理”节点。AI 虽然强大，但给它一幅清晰、正向的图，识别率能从 80% 提升到 99%。这条经验同样适用于音频识别、PDF 解析等其他模态。

经验二：JSON 是万能钥匙。只要涉及与其他系统对接，请务必在指令中强调“输出标准 JSON 格式”，并明确指定字段名（中文也行，但务必统一）。这是 AI 与传统软件之间最稳定的沟通方式。

经验三：永远给 AI 准备一个“兜底答案”。在本章的指令里，我特意写了一句“识别不出则返回无法识别”。这一句话虽然很短，但极为关键——它防止了 AI 在看不懂图时胡编乱造（业界俗称“幻觉”）。在任何识别类应用中，明确写出“无法识别时该怎么办”，都是工程上必备的容错动作。

12.5.2 迁移场景矩阵

本案例的工作流骨架与提示词设计思路完全可以迁移到其他“图片输入 → 结构化数据输出”的业务场景。表 12-2 给出了一组典型的迁移场景。

表 12-2 电商打标工作流的迁移场景矩阵

业务场景	输入	结构化输出
发票自动报销	纸质发票照片	金额、日期、抬头、税号
证件信息录入	身份证/护照扫描件	姓名、证号、有效期、国籍
农产品分级	果蔬照片	等级、瑕疵类型、估价区间
医疗影像初筛	X 光、CT 影像	异常区域坐标、初判建议
二手商品估价	用户上传的商品图	型号、成色、参考价区间

可以看到，只要将“图片预处理 → 主题识别 → 标签/字段提取 → JSON 输出”这一骨架保持不变，仅仅更换业务语境与字段定义，就可以快速衍生出大量企业级应用。这正是 AI 工作流真正的生产力潜能所在。

12.6 本章小结

本章通过电商图自动打标案例，演示了如何使用扣子 AI 编程构建一个“图片输入 → 结构化数据输出”的智能工作流。和前几章“内容生成”类应用相比，本章的核心命题从“从无到有”转向了“从乱到齐”——把现实世界中杂乱无章的图片数据，转化为机器可直接消费的标准 JSON。

12.7整章贯穿的主线是“混合智能”：AI 模型负责“看图”和“联想”，传统代码负责“修图”和“规整”，两者协同才能在生产环境中达成 99% 以上的准确率。这一思路适用于所有需要“理解非结构化数据 → 输出结构化结果”的业务场景。

当 AI 既能生成，也能理解，还能结构化时，它就不再只是一个工具或助手，而是真正意义上的数字员工。

12.7 思考与练习

回顾 12.2 节的四节点工作流（预处理 → 识别 → 标签 → JSON 输出）。请尝试为“二手手机估价”这个业务场景设计一条类似的工作流，并写出每个节点的输入与输出。
12.3.1 节强调了图像预处理的重要性。请思考你身边的某个识别类应用（如收据 OCR、票据归档），在不做预处理的前提下可能会遇到哪些识别失败的典型场景？
本章指令中有一句“识别不出则返回无法识别”，用来防止 AI 幻觉。请为下面三个场景各补一句类似的“兜底答案”：①合同关键字段提取；②医疗影像分级；③食品成分识别。
12.5.3 节给出的迁移场景矩阵中，请任选一项（例如发票自动报销），尝试将其输出的 JSON 字段补充完整，至少包含 6 个字段，并说明每个字段的数据类型（字符串、数值、日期等）。