B BROCENT

如何用 DeepSeek 的视觉能力在发货前核验硬件套件

一份用 DeepSeek 图片输入在多站点上线发货前、把设备套件照片与装箱单比对的实操指南:七步备货台流程和示例提示词、照片核对发现不了的问题,以及如何让站点数据不出现在画面里。

仓库工作人员拿着清单夹板核对库存
一句话结论:发往全国另一头门店的设备套件,如果配错了电源线,或者把 48 口交换机装成了 24 口,发现问题的往往是现场最没办法解决它的那个人。DeepSeek 的 API 现在可以在文字之外接收图片,这让一件事变得可行:在备货台上给每个套件拍照,让模型在封箱前把看到的东西与装箱单逐行比对。它会标出不一致之处交给人复核;它看不到密封包装里面,读不全每一个细小的标签,也无法告诉你设备能不能用。

设想苏州一个备货仓库里的物流协调员,正处在一家零售连锁企业门店上线项目的第三周:四川、重庆和云南共要新开 30 家门店。每家门店配同样一套设备:一台 PoE 交换机、两台带支架的吸顶无线 AP、一台防火墙设备、一台标签打印机、若干跳线,以及每台设备的电源线。套件按从 ERP 导出到 Excel 的拣货单打包,对着打印件目视核对后封箱。

位于成都的 14 号店在一个周六早上拆箱。交换机是 24 口型号,而不是平面布局所依据的 48 口型号;防火墙配的是英标插头电源线,墙上没有一个插座插得进去。现场没有 IT 人员。替换件只能再走一次快递,原本预约两小时上门的安装工程师还得再跑一趟。

这并不罕见。拣货单本身是对的。货架上两种交换机型号并排摆放,料号只差两个字符,而核对的人在快递截单前还有四十个套件要过。

这篇文章讲的,是在这个流程里加一个便宜又快的步骤:每个套件开箱摆好后拍一张照片,在封箱前由具备视觉能力的 AI 模型对照装箱单比对。它不取代人工核对;它让人工核对有了具体要看的地方。

为什么配错的线缆或漏装的适配器,总要等套件到了现场才被发现

配货错误很少是清单写错造成的。它们出在从清单到箱子之间的那个实物环节:外观相似的物品并排存放、某个料箱空了临时替换、从错误的纸箱里拿了另一个地区版本的电源线、主设备看起来齐了就忘了放配件袋。

本该发现这些问题的人工核对,有一个结构性弱点。核对的人读着清单,逐项找东西。同一产品系列的 24 口和 48 口交换机颜色一样、尺寸常常也差不多,型号只印在一张小贴纸上。国标电源线和英标电源线,不看插头那一端就一模一样,而插头通常盘在箱子底部。

对单个站点的安装来说,这类错误损失一个下午。对于门店没有本地 IT 人员的多站点上线来说,它意味着一次失败的上门安装、一轮快递往返和一次推迟的开业。这种错误在仓库里发现成本很低,到了任何其他地方都很昂贵。

具备视觉能力的模型,究竟能从照片里核对什么

DeepSeek 于 2026 年 8 月 21 日发布了实验性视觉模型 `deepseek-v4-flash-vision-exp`。几周之内,其 API 文档就写明主力模型 `deepseek-flash` 支持图片输入:JPEG、PNG、GIF 和 WebP 格式,放在用户消息中,采用与文本相同的 OpenAI 兼容 Chat Completions 格式,可以用 base64、URL 或通过 Files API 上传。鉴于变化如此之快,动手之前请查看 DeepSeek 的最新文档,确认模型名称、图片限制和价格,而不要相信任何一篇文章里的数字,包括本文。

对配货来说,有用的能力范围不大,但很实用。给它一张开箱后摊在工作台上的清晰照片和一份文字装箱单,模型可以描述它看到的东西、把物品对应到清单行,并指出哪些行它找不到依据。

把套件照片与装箱单逐项比对

最基本的核对是"在不在"。你把 14 号店的装箱单——每行的料号、描述和数量——和一张俯拍照片交给模型,照片里每件物品都摊开摆放、互不叠压。你要求它按顺序过一遍清单,对每一行说明能不能看到这件物品、有几件。

价值不在于模型比人看得更准。而在于它每次都会过完每一行,到第 38 个套件也不会疲劳,并给出一份书面结果,人对照照片一分钟内就能核完。一行标着"看不到",就是让人去实物上查的指令。

标出"看起来对、其实不对"的替换(品牌对、型号错),这是赶时间的人工核对最容易漏掉的

更有价值的核对,是疲惫的人最容易跳过的那一步:读标签。如果装箱单写的是 `SW-48P-POE`,而照片里交换机前面板的端口明显更少,或者特写里标签写着 `SW-24P-POE`,即使这件物品乍看没问题,模型也能标出不一致。电源线也一样,只要摆放时插头朝向镜头:英标 G 型插头和国标插头在外观上区别明显。

实操流程:从装箱单到经过照片核验、可以发货的套件

这是物流协调员用现有导出的拣货单、再在备货台上方架一部手机,一周内就能搭起来的版本。文中料号仅作示例。

第 1 步:按站点统一装箱单格式。把每个套件的拣货单从 ERP 或 Excel 导出成一张简单的表:站点代码、行号、料号、描述、数量,再加一列"核对要点",写明哪些东西必须拍得到——例如电源线写"插头朝向镜头",交换机写"前面板端口可见"。

第 2 步:固定拍照设置。把手机或一台便宜的文档摄像头固定在工作台上方的同一高度,台面铺一块纯色、对比明显的垫子。在垫子上画好摆放网格,让每件物品每次都放在同一位置:交换机放左上,AP 和支架放右上,电源线和适配器沿底边摆放、插头朝外。

第 3 步:每个套件拍两张照片。一张拍完整摆放的全景,一张拍最关键标签的特写——交换机型号贴纸、防火墙标签和各个插头。文件名用站点代码加套件编号命名。

第 4 步:遮挡模型不需要看到的信息。发送之前,裁掉或遮住带有门店地址的快递面单;资产标签和序列号也一样处理,除非你的流程确实需要模型读取它们。

第 5 步:把照片和清单一起发送。用一段简短脚本或内部工具,把两张图片和该站点的装箱单放在同一个请求里发送。可以从这样一段提示词开始:

"你正在对一个即将发货的硬件套件做发货前核对。下面是站点 CD-014 的装箱单,后面是两张该套件摊放在工作台上的照片。请按顺序针对装箱单的每一行报告:行号、物品是否可见(是 / 否 / 不确定)、你能数出的数量,以及与所列料号或描述之间任何可见的差异,例如型号标签、端口数量或插头类型不同。不要猜测。如果标签太小或太模糊无法读取,请写'无法读取',不要推断。然后列出照片中与任何一行都对不上的物品。最后单独一行:如果每一行都是'是'、数量一致且没有差异,写 PASS,否则写 REVIEW。"

第 6 步:每个 REVIEW 都由人来处理。核对人员把标出的行与实物逐一比对,纠正错误,或者附一句简短说明后撤销标记,然后才封箱。PASS 的套件也仍要由人快速看一眼。

第 7 步:留存记录。把照片、模型输出和核对人员的处理结果按站点代码归档。当某个站点反馈问题时,你能准确看到从仓库发出的是什么;时间久了,也能看出哪些物品需要换个拍摄角度。

AI 辅助照片核验 vs 人工清单检查 vs 没有正式的配货质检

  • AI 辅助照片核验:每个套件的每一行都按顺序核对,留下带时间戳的书面记录,并给出需要人来处理的具体标记。代价是一套拍照设置、每个套件少量的 API 费用,以及一个关于照片里包含哪些数据的数据治理决定。
  • 人工清单检查:不需要新工具,有经验的核对人员打开箱子就能察觉哪里不对。但可靠性会随工作量和疲劳下降,外观相似的替换会被放过,而且除了纸上打的一个勾,通常没有任何记录。
  • 没有正式的配货质检:在仓库里最快、最省钱。所有错误都由站点发现,而在多站点上线中,这意味着由既没有配件、也不具备相关知识的人,在整个流程中成本最高的环节发现。

照片核对做不到的地方

照片显示的是"在不在"和"长什么样"。它无法告诉你交换机能否通电、固件版本是否正确,或者某台 AP 是不是到货即坏。功能测试——给每台设备通电并确认它加载了预配置——是另一个独立步骤,照片核对不能替代它。

它也看不到密封包装里面。如果十根跳线捆在一个袋子里,或者 AP 的安装螺丝装在零售包装盒内的密封小袋里,模型最多只能确认袋子或盒子在。需要清点的东西就拆开摊平,否则就要接受:这些行靠的是供应商的包装,而不是照片。

视觉模型还可能数错外观相同的小件,也可能读错细小或有角度的型号标签。这正是提示词要求写"不确定"和"无法读取"而不是尽力猜测的原因,也是每个 REVIEW 都交给人处理的原因。把模型的 PASS 理解为"没有明显问题",而不是保证。

在规模化的情况下——每周数百个套件、带序列号管理的资产——照片核对只是质检流程中的一道控制点,这个流程仍然需要扫码拣货确认、序列号采集、功能测试和签字确认。

做对这件事:核验准确率、站点数据保密,以及什么时候该找 IT

不要向任何人——包括你自己——引用一个准确率数字。用你自己的套件去测:头几周里,记下每一次模型标出了其实没问题的物品,以及每一次站点发现了而模型判为 PASS 的错误。这才是对你的流程有意义的唯一准确率数字。

在发出第一张照片之前,就决定照片里放什么。DeepSeek 的托管 API 在中国运营,而套件照片很容易拍进快递面单上的门店地址、资产标签、设备序列号,以及写在贴纸上的备货网络信息。裁掉或遮住核对不需要的内容,摆放区域里不要放纸质单据,并查清公司关于把业务图片发送到外部 AI 服务的政策。

像对待任何生产环境凭据一样对待 API 密钥:放在密钥管理工具里而不是写在脚本中,负责搭建的人调岗后就轮换。

这就是外部帮助能发挥作用的地方。搭建图片处理管道、日志和密钥管理,正是 AI 支持所涵盖的工作;而套件里的设备到货之后,仍然需要有人配置和支持,这是常规的 IT 支持工作。同一批货的单据一侧,可以参考我们的 用 DeepSeek 准备中国硬件进口报关单据 指南;把实际发出的设备与资产台账对账,则可以参考 用 DeepSeek 做 IT 资产盘点对账。

如果你不想在内部承担配货和备货工作,2007 年创立于北京的 Brocent 可以通过其仓储即服务,为多站点上线项目完成设备套件的备货、核对和发运。

常见问题

视觉模型识别错误物品的准确率有多高?

没有一个诚实的统一数字;任何脱离你的物品、你的照片和你的光线条件给出的数字,都应该忽略。准确率在很大程度上取决于照片:平铺、光线充足、标签朝向镜头的摆放有帮助;乱成一团的箱子则不行。在依赖它之前,先用你自己的套件测几周。

这能完全取代人工质检吗?

不能。它改变的是人要做的事:核对人员不再为每个套件重读整份清单,而是处理模型标出的具体行,并快速看一眼通过的套件。箱子发不发,仍然由人决定。

它能检查功能状态,而不只是物品在不在吗?

不能。照片无法显示设备能否通电、能否保持配置或是否存在故障。功能测试仍是一个独立步骤。

对于有几十个小零件的套件,这个方法管用吗?

部分管用。视觉模型可能数错螺丝、扎带或袋装跳线这类外观相同的小件。把小零件装进贴好标签的袋子并在打包时清点,照片则用于核对体积较大、容易区分的物品。

把套件照片发给 DeepSeek 的 API 安全吗?

这取决于照片里有什么,以及你们公司的政策。托管 API 在中国运营。除非核对需要,不要把地址、序列号和资产标签拍进画面,并在上线之前而不是之后把政策问题弄清楚。

我们应该用哪个 DeepSeek 模型?

用 DeepSeek 最新文档中列明支持图片输入的模型。动手搭建时,请在 Vision 指南中确认当前的模型名称、限制和价格。

分享:

立即采取行动

将这些洞察转化为您企业的IT路线图。

预约15分钟免费咨询,与我们的亚太IT专家交流。我们将评估您的现有环境,并在24小时内提供定制化IT发展路线图。

📋

免费清单

进入大中华区IT部署前必须检查的10项关键事项

PIPL合规、网络分段、双语服务台配置等——企业进入中国大陆第一天所需的完整IT准备清单。

获取清单 →