如何用 DeepSeek 的視覺能力在發貨前核驗硬件套件

一句話結論：發往全國另一頭門店的設備套件，如果配錯了電源線，或者把 48 口交換機裝成了 24 口，發現問題的往往是現場最沒辦法解決它的那個人。DeepSeek 的 API 現在可以在文字之外接收圖片，這讓一件事變得可行：在備貨台上給每個套件拍照，讓模型在封箱前把看到的東西與裝箱單逐行比對。它會標出不一致之處交給人複核；它看不到密封包裝裡面，讀不全每一個細小的標籤，也無法告訴你設備能不能用。

設想蘇州一個備貨倉庫裡的物流協調員，正處在一家零售連鎖企業門店上線項目的第三週：四川、重慶和雲南共要新開 30 家門店。每家門店配同樣一套設備：一台 PoE 交換機、兩台帶支架的吸頂無線 AP、一台防火牆設備、一台標籤打印機、若干跳線，以及每台設備的電源線。套件按從 ERP 導出到 Excel 的揀貨單打包，對著打印件目視核對後封箱。

位於成都的 14 號店在一個週六早上拆箱。交換機是 24 口型號，而不是平面佈局所依據的 48 口型號；防火牆配的是英標插頭電源線，牆上沒有一個插座插得進去。現場沒有 IT 人員。替換件只能再走一次快遞，原本預約兩小時上門的安裝工程師還得再跑一趟。

這並不罕見。揀貨單本身是對的。貨架上兩種交換機型號並排擺放，料號只差兩個字符，而核對的人在快遞截單前還有四十個套件要過。

這篇文章講的，是在這個流程里加一個便宜又快的步驟：每個套件開箱擺好後拍一張照片，在封箱前由具備視覺能力的 AI 模型對照裝箱單比對。它不取代人工核對；它讓人工核對有了具體要看的地方。

為什麼配錯的線纜或漏裝的適配器，總要等套件到了現場才被發現

配貨錯誤很少是清單寫錯造成的。它們出在從清單到箱子之間的那個實物環節：外觀相似的物品並排存放、某個料箱空了臨時替換、從錯誤的紙箱裡拿了另一個地區版本的電源線、主設備看起來齊了就忘了放配件袋。

本該發現這些問題的人工核對，有一個結構性弱點。核對的人讀著清單，逐項找東西。同一產品系列的 24 口和 48 口交換機顏色一樣、尺寸常常也差不多，型號只印在一張小貼紙上。國標電源線和英標電源線，不看插頭那一端就一模一樣，而插頭通常盤在箱子底部。

對單個站點的安裝來說，這類錯誤損失一個下午。對於門店沒有本地 IT 人員的多站點上線來說，它意味著一次失敗的上門安裝、一輪快遞往返和一次推遲的開業。這種錯誤在倉庫裡發現成本很低，到了任何其他地方都很昂貴。

具備視覺能力的模型，究竟能從照片裡核對什麼

DeepSeek 於 2026 年 8 月 21 日發佈了實驗性視覺模型 `deepseek-v4-flash-vision-exp`。幾周之內，其 API 文檔就寫明主力模型 `deepseek-flash` 支援圖片輸入：JPEG、PNG、GIF 和 WebP 格式，放在用戶消息中，採用與文本相同的 OpenAI 兼容 Chat Completions 格式，可以用 base64、URL 或通過 Files API 上傳。鑑於變化如此之快，動手之前請查看 DeepSeek 的最新文檔，確認模型名稱、圖片限制和價格，而不要相信任何一篇文章裡的數字，包括本文。

對配貨來說，有用的能力範圍不大，但很實用。給它一張開箱後攤在工作台上的清晰照片和一份文字裝箱單，模型可以描述它看到的東西、把物品對應到清單行，並指出哪些行它找不到依據。

把套件照片與裝箱單逐項比對

最基本的核對是"在不在"。你把 14 號店的裝箱單——每行的料號、描述和數量——和一張俯拍照片交給模型，照片裡每件物品都攤開擺放、互不疊壓。你要求它按順序過一遍清單，對每一行說明能不能看到這件物品、有幾件。

價值不在於模型比人看得更準。而在於它每次都會過完每一行，到第 38 個套件也不會疲勞，並給出一份書面結果，人對照照片一分鐘內就能核完。一行標著"看不到"，就是讓人去實物上查的指令。

標出"看起來對、其實不對"的替換（品牌對、型號錯），這是趕時間的人工核對最容易漏掉的

更有價值的核對，是疲憊的人最容易跳過的那一步：讀標籤。如果裝箱單寫的是 `SW-48P-POE`，而照片裡交換機前面板的端口明顯更少，或者特寫裡標籤寫著 `SW-24P-POE`，即使這件物品乍看沒問題，模型也能標出不一致。電源線也一樣，只要擺放時插頭朝向鏡頭：英標 G 型插頭和國標插頭在外觀上區別明顯。

實操流程：從裝箱單到經過照片核驗、可以發貨的套件

這是物流協調員用現有導出的揀貨單、再在備貨台上方架一部手機，一週內就能搭起來的版本。文中料號僅作示例。

第 1 步：按站點統一裝箱單格式。把每個套件的揀貨單從 ERP 或 Excel 導出成一張簡單的表：站點代碼、行號、料號、描述、數量，再加一列"核對要點"，寫明哪些東西必須拍得到——例如電源線寫"插頭朝向鏡頭"，交換機寫"前面板端口可見"。

第 2 步：固定拍照設定。把手機或一台便宜的文檔攝像頭固定在工作台上方的同一高度，檯面鋪一塊純色、對比明顯的墊子。在墊子上畫好擺放網格，讓每件物品每次都放在同一位置：交換機放左上，AP 和支架放右上，電源線和適配器沿底邊擺放、插頭朝外。

第 3 步：每個套件拍兩張照片。一張拍完整擺放的全景，一張拍最關鍵標籤的特寫——交換機型號貼紙、防火牆標籤和各個插頭。文件名用站點代碼加套件編號命名。

第 4 步：遮擋模型不需要看到的信息。發送之前，裁掉或遮住帶有門店地址的快遞面單；資產標籤和序列號也一樣處理，除非你的流程確實需要模型讀取它們。

第 5 步：把照片和清單一起發送。用一段簡短腳本或內部工具，把兩張圖片和該站點的裝箱單放在同一個請求裡發送。可以從這樣一段提示詞開始：

"你正在對一個即將發貨的硬件套件做發貨前核對。下面是站點 CD-014 的裝箱單，後面是兩張該套件攤放在工作台上的照片。請按順序針對裝箱單的每一行報告：行號、物品是否可見（是 / 否 / 不確定）、你能數出的數量，以及與所列料號或描述之間任何可見的差異，例如型號標籤、端口數量或插頭類型不同。不要猜測。如果標籤太小或太模糊無法讀取，請寫'無法讀取'，不要推斷。然後列出照片中與任何一行都對不上的物品。最後單獨一行：如果每一行都是'是'、數量一致且沒有差異，寫 PASS，否則寫 REVIEW。"

第 6 步：每個 REVIEW 都由人來處理。核對人員把標出的行與實物逐一比對，糾正錯誤，或者附一句簡短說明後撤銷標記，然後才封箱。PASS 的套件也仍要由人快速看一眼。

第 7 步：留存記錄。把照片、模型輸出和核對人員的處理結果按站點代碼歸檔。當某個站點反饋問題時，你能準確看到從倉庫發出的是什麼；時間久了，也能看出哪些物品需要換個拍攝角度。

AI 輔助照片核驗 vs 人工清單檢查 vs 沒有正式的配貨質檢

• AI 輔助照片核驗：每個套件的每一行都按順序核對，留下帶時間戳的書面記錄，並給出需要人來處理的具體標記。代價是一套拍照設定、每個套件少量的 API 費用，以及一個關於照片裡包含哪些數據的數據治理決定。
• 人工清單檢查：不需要新工具，有經驗的核對人員打開箱子就能察覺哪裡不對。但可靠性會隨工作量和疲勞下降，外觀相似的替換會被放過，而且除了紙上打的一個勾，通常沒有任何記錄。
• 沒有正式的配貨質檢：在倉庫裡最快、最省錢。所有錯誤都由站點發現，而在多站點上線中，這意味著由既沒有配件、也不具備相關知識的人，在整個流程中成本最高的環節發現。

照片核對做不到的地方

照片顯示的是"在不在"和"長什麼樣"。它無法告訴你交換機能否通電、固件版本是否正確，或者某台 AP 是不是到貨即壞。功能測試——給每台設備通電並確認它加載了預配置——是另一個獨立步驟，照片核對不能替代它。

它也看不到密封包裝裡面。如果十根跳線捆在一個袋子裡，或者 AP 的安裝螺絲裝在零售包裝盒內的密封小袋裡，模型最多隻能確認袋子或盒子在。需要清點的東西就拆開攤平，否則就要接受：這些行靠的是供應商的包裝，而不是照片。

視覺模型還可能數錯外觀相同的小件，也可能讀錯細小或有角度的型號標籤。這正是提示詞要求寫"不確定"和"無法讀取"而不是盡力猜測的原因，也是每個 REVIEW 都交給人處理的原因。把模型的 PASS 理解為"沒有明顯問題"，而不是保證。

在規模化的情況下——每週數百個套件、帶序列號管理的資產——照片核對只是質檢流程中的一道控制點，這個流程仍然需要掃碼揀貨確認、序列號採集、功能測試和簽字確認。

做對這件事：核驗準確率、站點數據保密，以及什麼時候該找 IT

不要向任何人——包括你自己——引用一個準確率數字。用你自己的套件去測：頭幾周裡，記下每一次模型標出了其實沒問題的物品，以及每一次站點發現了而模型判為 PASS 的錯誤。這才是對你的流程有意義的唯一準確率數字。

在發出第一張照片之前，就決定照片裡放什麼。DeepSeek 的託管 API 在中國運營，而套件照片很容易拍進快遞面單上的門店地址、資產標籤、設備序列號，以及寫在貼紙上的備貨網絡信息。裁掉或遮住核對不需要的內容，擺放區域裡不要放紙質單據，並查清公司關於把業務圖片發送到外部 AI 服務的政策。

像對待任何生產環境憑據一樣對待 API 密鑰：放在密鑰管理工具裡而不是寫在腳本中，負責搭建的人調職後就輪換。

這就是外部幫助能發揮作用的地方。搭建圖片處理管道、日誌和密鑰管理，正是 AI 支援所涵蓋的工作；而套件裡的設備到貨之後，仍然需要有人配置和支援，這是常規的 IT 支援工作。同一批貨的單據一側，可以參考我們的 用 DeepSeek 準備中國硬件進口報關單據 指南；把實際發出的設備與資產清冊對帳，則可以參考 用 DeepSeek 做 IT 資產盤點對帳。

如果你不想在內部承擔配貨和備貨工作，2007 年創立於北京的 Brocent 可以通過其倉儲即服務，為多站點上線項目完成設備套件的備貨、核對和發運。

常見問題

視覺模型識別錯誤物品的準確率有多高？

沒有一個誠實的統一數字；任何脫離你的物品、你的照片和你的光線條件給出的數字，都應該忽略。準確率在很大程度上取決於照片：平鋪、光線充足、標籤朝向鏡頭的擺放有幫助；亂成一團的箱子則不行。在依賴它之前，先用你自己的套件測幾周。

這能完全取代人工質檢嗎？

不能。它改變的是人要做的事：核對人員不再為每個套件重讀整份清單，而是處理模型標出的具體行，並快速看一眼通過的套件。箱子發不發，仍然由人決定。

它能檢查功能狀態，而不只是物品在不在嗎？

不能。照片無法顯示設備能否通電、能否保持配置或是否存在故障。功能測試仍是一個獨立步驟。

對於有幾十個小零件的套件，這個方法管用嗎？

部分管用。視覺模型可能數錯螺絲、紮帶或袋裝跳線這類外觀相同的小件。把小零件裝進貼好標籤的袋子並在打包時清點，照片則用於核對體積較大、容易區分的物品。

把套件照片發給 DeepSeek 的 API 安全嗎？

這取決於照片裡有什麼，以及你們公司的政策。託管 API 在中國運營。除非核對需要，不要把地址、序列號和資產標籤拍進畫面，並在上線之前而不是之後把政策問題弄清楚。

我們應該用哪個 DeepSeek 模型？

用 DeepSeek 最新文檔中列明支援圖片輸入的模型。動手搭建時，請在 Vision 指南中確認當前的模型名稱、限制和價格。