客户背景
行业
外贸跨境 · 服装
规模
15 人团队 · 欧美市场
现状
外包拍照修图 + 手工做目录
期望
样品沟通提速
客户痛点
1
拍照修图成本高
样品拍照与修图外包，成本高、周期长。
2
目录制作慢
产品目录手工排版，改一版都要好几天。
3
款式更新快
新款上得快，素材跟不上节奏。
演示案例
实时演示 · 商品图生成
就绪
输入
新款服装平铺照片（白底一张）
Consolelogs · stdout
$ 初始化演示管线…
✓ AI 抠图0.6s
✓ 多背景生成6 个背景
✓ 目录排版自动
技术方案
01
商品图 AI 精修
自动抠图、换背景、统一风格，生成多背景商品图。
02
目录自动排版
按模板自动排版生成产品目录。
03
新款批量更新
新款素材批量生成，快速上线。
不是赌某一种 AI，而是组合最合适的几种
面对真实业务场景，我们不会一上来就选定某条技术路线，而是对多条候选路径做同口径评估，再据此设计融合方案，让每条路径都做它最擅长的那部分。
通用大模型 API
GPT-4o / Qwen / DeepSeek 等公有云模型
- ✓开箱即用、接入成本极低、业务初期成本可控
- ✕对垂直行业场景泛化有限、字段级准确率不稳、数据合规需单独设计
适合冷启动与快速验证
行业模型微调
基于行业语料对开源模型做领域微调
- ✓结合行业语义、准确率显著提升、可私有化部署
- ✕需要标注数据、训练与维护有一定投入
适合作为主链路承担高频流量
检索增强 + 规则校验
RAG 知识库与业务规则引擎的组合
- ✓针对性强、可解释、延迟与成本最优
- ✕需要持续的数据闭环投入
适合兜底与高确定性场景
融合而不是选择
我们最终交付的不是某一个模型，而是一条「主链路 + 语义校正 + 兜底降级」的融合管线：高频场景由行业模型在秒级内完成；置信度低于阈值的字段自动转大模型做二次理解；服务异常时自动降级到通用 API 并标记人工复核，让准确率、成本、延迟、可控性这几个互相牵扯的目标同时达成。
一条可解释、可降级、可演进的 AI 管线
我们把 AI 工程当作「管线」而不是「黑盒」：每一步都有明确的职责、输入输出与兜底策略。下面这条五步管线 + 四层系统架构，是方案的技术骨架。
L1
采集与接入层
支持多渠道接入，统一做鉴权、幂等与脱敏
业务系统 API移动端 / 小程序文件上传 / 扫码API 网关 · 脱敏
L2
AI 推理层
多链路推理 + 置信度路由器，按样本特征自动切换
行业微调模型多模态大模型RAG 知识检索置信度路由
L3
业务编排层
把识别结果对接到真实业务流，做规则校验与闭环
业务规则校验实体 / 主数据匹配金额 / 逻辑闭环人工复核工单
L4
数据闭环层
线上每一次误差自动回流，模型按月自动迭代
样本仓在线标注与差错回收月度增量微调漂移监测与告警
技术栈
FastAPIvLLMLangChainRAGQwenGPT-4oTritonKubernetesPostgreSQLRedisMilvusDocker
交付过程
1
素材规范梳理
制定商品图与目录的视觉规范。
2
图片生成
搭建 AI 精修与多背景生成。
3
目录系统
开发目录自动排版。
4
试运行
小批量试用。
5
全面使用
纳入新款发布流程。
上线前后对比
指标上线前上线后
单季目录制作3 周3 天
样品沟通周期14 天7 天
打样次数平均 2.5 次平均 1.5 次
“以前改目录要等设计师排期，现在自动生成，新款很快就能推给客户。”
可复用场景
服装、家居等品类的商品图生成
产品目录的自动排版
新品素材的批量更新