二手商品图一上传就能写描述 - 小团队如何管住AI生成的质量与风险
写在前面
我带着一个五人小团队做二手交易平台的技术支持。过去一年,我们最头疼的不是流量,而是一个看似简单的环节:商品描述。
卖家上传五张图,描述栏里写“九成新,可小刀”,完事。买家看不到尺寸、成色细节、配件情况,客服每天处理的咨询里有四成都在问“这个有没有划痕”“充电器在不在”。转化率上不去,客服成本下不去。
今年我们决定上AI:卖家传图,系统自动生成一段结构化的商品描述,卖家确认或修改后发布。这篇文章从管理者的角度复盘整个落地过程——重点不在代码多炫,而在于流程怎么定、人怎么协作、风险怎么控。
一、业务痛点:先算清楚再动手
动手前我让团队做了一周的调研,结论有三条:
- 描述质量参差是转化率的第一杀手。 平台上超过六成的商品描述少于20个字,买家决策信息严重不足。
- 人工代写不可扩展。 运营团队尝试过人工帮优质卖家写描述,每人每天最多覆盖40件商品,杯水车薪。
- 多模态模型已经够用。 主流视觉模型对商品图的理解能力足以识别品类、成色特征、配件,剩下的问题是工程化和流程。
这里我要提醒管理者一句:AI能力够用不等于业务就能落地。落地难在质量稳定性、成本可控、合规风险这三件事上,这恰好都是管理问题而不是纯技术问题。
二、架构设计:三层结构与一条铁律
我们的架构分三层:
- 接入层:卖家上传图片后触发异步任务,图片先过一遍预处理(压缩、敏感内容检测、EXIF信息剥离)。
- 生成层:调用视觉模型生成结构化描述,包含品类、成色描述、可能配件、建议标题四个字段。生成结果不直接展示,进入待确认队列。
- 审核层:卖家在App内看到AI草稿,可以一键采纳、编辑或重写。所有编辑行为会被记录——这些编辑数据是后续优化提示词的金矿。
铁律是:AI只写草稿,卖家必须确认。 这条规则把AI出错的责任边界划清楚了。二手商品的实际状态只有卖家知道,AI看到的只是图片。让卖家做最后把关,既降低了描述失实引发的纠纷风险,也让卖家对内容有掌控感。
三、关键实现步骤(流程清单)
[流程清单] 商品图片智能描述生成 · 落地六步
1. 数据准备
□ 收集平台高频品类清单(top 50)
□ 为每个品类准备描述模板与禁用词表
2. 模型选型与路由
□ 高频标准品类 → 中等成本模型
□ 疑难/低置信度图片 → 高能力模型
□ 置信度判定失败 → 转人工兜底
3. 提示词工程
□ 结构化输出 schema(JSON,固定字段)
□ 成色描述禁用绝对化用语("全新""完美"等)
4. 安全与合规
□ 图片先过内容安全检测
□ 生成文本再过一遍敏感词过滤
□ 全链路日志留存,可追溯到具体商品与请求
5. 卖家确认流程
□ App内展示草稿 + 采纳/编辑/重写按钮
□ 采纳率与编辑幅度纳入每周质量看板
6. 迭代机制
□ 每周复盘卖家编辑记录,反哺提示词
□ 每月评估模型路由的成本与质量配比核心生成逻辑的示意代码(简化版):
async def generate_description(image_url: str, category_hint: str):
# 1. 路由决策:根据品类与图片质量评分选择模型
model = router.pick(category_hint, quality_score(image_url))
# 2. 调用统一网关,返回结构化结果
result = await gateway.vision_complete(
model=model,
image_url=image_url,
prompt=PROMPT_TEMPLATES[category_hint],
response_format="json",
timeout=8,
fallback_model="backup-model", # 自动降级
)
# 3. 后处理:禁用词替换 + 字段校验
return sanitize_and_validate(result)四、为什么我们坚持走统一AI API网关
这段是想重点讲给团队管理者的。落地初期我们直连过某家模型的原生API,两周后就暴露了问题:
- 多模型切换是常态,不是例外。 我们的路由策略要求不同品类走不同模型,如果每个模型都单独接SDK、单独管密钥、单独处理错误码,五个人的团队根本维护不过来。统一网关把“多模型”收敛成一套接口,切换模型对业务代码是透明的。
- 降级和重试逻辑不该散落在业务代码里。 模型超时、限流、偶发内容拦截,这些异常在网关层统一处理,业务侧只需要关心“拿到结果或拿到明确的失败原因”。这直接决定了我们报警规则能不能收敛——以前三个模型三套报错格式,现在一套。
- 成本归因有了抓手。 网关统一记账后,每笔请求的成本能落到具体品类和功能上,月底看账单不再是一笔糊涂账。当某个品类的生成成本异常上涨时,我们能在当天发现并调整路由策略,而不是月底才知道。
- 密钥与权限集中管理。 团队成员不接触真实密钥,权限按环境和人员分配,人员变动时只需要在网关侧调整,不用全量换钥匙。
一句话总结:对小团队来说,统一网关省下的不是几行代码,而是把维护成本从"模型数 × 工程师数"降到了"1 × 网关配置"。
五、管理者视角的三条经验
- 先定责任边界,再定技术方案。 “AI写草稿、卖家确认”这条规则是我们在写第一行代码之前定下的,它决定了整个架构必须有确认队列和编辑记录。事后证明这是最正确的决定。
- 质量看板比模型评测更有用。 我们不看抽象的模型跑分,只看两个业务指标:卖家采纳率和编辑幅度。采纳率从上线初期的五成多稳步爬升,编辑幅度持续收窄,这两个数字比任何demo都有说服力。
- 给团队留出试错预算。 前两周提示词改了十几版,路由策略推倒过一次。这些“浪费”是必要成本,管理者要做的是设定止损线(比如两周内采纳率不达标就回退到纯人工模式),而不是压缩探索空间。
写在最后
这个项目上线三个月,客服咨询量中描述相关的问题明显下降,卖家发布时长缩短,团队也没有陷入无休止的模型维护。回头看,技术方案本身并不复杂,真正决定成败的是流程设计与风险控制——这恰恰是管理者最能发挥价值的地方。
如果你的团队也在评估类似的多模态AI落地场景,建议从支持多模型统一接入的AI API网关开始搭建底座,把模型选型、降级重试和成本归因这些“脏活”提前收口,后续的业务迭代会轻松很多。可以先在这里注册试用,跑通一个最小闭环再谈规模化:https://api.thistoken.ai/register
---
本文的示例只需一个 API Key 就能复现:在 https://api.thistoken.ai/register 注册即用。