先交代一下背景。前阵子帮一个做零售的朋友处理季度库存盘点仓库里SKU三千多个盘点单来自两个渠道一部分是扫码枪导出的文本一部分是盘库的人用手机拍的货架照片。往年这种活儿要拉两个实习生干三天最后还要手工对账改错。这次我把整个过程改成“本地AI自动生成盘点表”从原始记录到最终带差异的盘点表一个晚上跑完第二天上午复核下午出了结果。这篇文章就是这次操作的一次完整复盘。核心思路是用本地运行的智能模型把杂乱的盘点记录自动整理成结构化表格再直接落地成电子表格文件。为什么讲究“本地化”因为库存成本、供应商价格、销售数据都是商业敏感信息走外部接口心里不踏实而且盘点很多时候在仓库现场网络环境不稳定。本地化处理意味着数据不出设备速度自己掌控一套流程跑熟之后随时能用。文章会讲链路怎么搭、提示词怎么写、脚本怎么调、坑在哪里全部按可直接复制的标准写。这件事适合谁参考如果你是电商小团队、零售门店、制造业仓库的管理人员或者已经在用电子表格记账但每次盘点都头疼的运营同学这篇文章可以给你一条完整的落地路径。1. 先把问题看清楚盘点表到底难在哪1.1 盘点数据源天生就是“脏”的库存盘点表的原始输入几乎没有干净的时候。我把常见的数据来源梳理了一遍基本逃不过这几种形态扫码枪或PDA导出的TXT、CSV文件字段顺序不固定有些带库位有些不带编码规则还不统一。现场手写单据回到办公室再人工录入。字迹潦草和漏项是常态一张单子上“数量”没写完全是家常便饭。手机拍的照片货架标签、外箱喷码、系统截图全靠人工认识别过程还会引入各种错字。群里报上来的数字格式千奇百怪还有“大概”“左右”这种口语描述。ERP系统导出的账面数编码规范但和以上现场数据处于两个世界完全对不上格式。传统做法是人肉把这些来源全部统一到一张表里先判断每个记录是哪个商品、哪个库位、多少数量再和账面数比对。数据量一旦上千行两个小时起步而且注意力一分散就出错。我见过最典型的一次事故盘完后差异金额怎么都对不上账最后发现是两个人对同一堆货重复录了两遍一份数据混进了两行谁也没看出来。1.2 AI能替掉的是“整理”而不是“判断”很多人以为AI生成盘点表就是把数据丢进去自动出结果其实AI真正擅长的是替代中间那段又累又容易出错的整理工作。它做四件事第一字段抽取。把一段口语记录“3排B区 瓶装水550ml 24瓶装 实盘3箱”拆成库位、品名、规格、单位、数量这几个字段。第二格式归一。把“瓶装水550ML”“瓶装水550毫升”“瓶装水 550ml瓶装”认成同一个东西统一成一种写法。第三表格生成。按你指定的表头结构输出标准盘点表含序号、库位、物料编码、品名、规格、单位、账面数、实盘数、差异、备注。第四初步校验。帮你标出明显异常的行比如数量为负、单位不合理、品名疑似重复等。判断“这家供应商的退货要不要冲减库存”这类业务决策AI做不了也不该让它做。把AI定位成“负责整理和格式化的干活的角色”整套流程就清晰了。这个定位直接决定了后面提示词怎么写、校验程序怎么设计。2. 链路搭建本地化智能处理的方案选型2.1 数据处理主链路怎么设计我实际用的链路是五段式每一段都有明确职责原始记录收集 → 文本预处理 → 本地AI解析整理 → 程序校验 → 生成电子表格原始记录收集扫码枪导出文件、现场照片统一丢到一个文件夹照片先跑一遍OCR转成文本。文本预处理清洗特殊字符、把OCR错位的段落按行切开、文件编码统一成UTF-8。这一步用脚本做不依赖AI规则明确且速度极快。本地AI解析整理核心环节。把预处理后的文本按批次送进本地模型带着定义好的字段结构和约束条件让模型输出标准表格。程序校验对AI输出的结果做机器检查。数量字段能否转成数字、合计是否等于各明细之和、有没有重复行等硬性错误全部在这一层拦截。生成电子表格最后用程序把校验通过的表格写成最终的电子表格文件带表头样式、冻结窗格、差异标色。为什么不让AI直接生成最终文件因为AI输出的是文本内容格式稳定性和计算能力都不可靠数字合计这种事交给程序更稳妥。这个分工是整套方案的关键所有可能产生“业务损失”的环节都必须由确定性程序兜底AI只负责理解语义和整理结构。2.2 为什么坚持本地模型这里需要解释一下“本地化”三个字的考量。我见过不少人直接用外部接口处理库存数据也不是不行但我自己踩过几次之后还是切回了本地方案原因有三点。一是数据敏感。库存数量、采购成本、客户订单这些数据很多企业连内网共享都要设权限更不用说把数据送到外部接口去解析。本地模型所有请求都发生在自己电脑或内网服务器上数据不出边界这一条没有商量余地。二是盘点场景的网络不固定。仓库往往在郊区盘点现场有时候连手机信号都勉强更不用说稳定调用外部接口。本地推理完全不依赖外网断网照样干活在仓库现场配合扫码枪直接可用。三是长期成本可控。按调用量计费的外部接口盘一次几千行数据解析加汇总很快就产生不少费用。本地模型是一次性投入硬件是自己的电费几乎可以忽略盘点频次越高越划算。维度本地模型外部接口数据隐私数据不出设备完全自控需要上传第三方服务器网络依赖完全不依赖外网必须保持联网单批速度看硬件配置秒级到分钟级一般秒级返回长期成本一次性硬件投入越用越省按量计费量大有压力可控程度可调参数、可换模型、可离线运行受平台规则和版本限制本地模型的短板也摆在明面上没有高端显卡速度会慢小参数模型的理解能力弱一些需要在提示词和预处理上多花功夫。但就盘点表这种字段固定、规则明确的任务本地模型完全够用。2.3 硬件和模型怎么配先说结论一台内存16GB的普通电脑就能跑集显或没有独立显卡也能接受只是速度慢一些。我自己测试用的是一台16GB内存加中端独显的机器跑量化后的开源模型每批几十条记录单条反馈时间在几秒到十几秒完全在可接受范围内。模型参数规模建议优先考虑7B到14B的量化版本。参数太低字段抽取和同物归一能力明显下降参数太高普通机器带不动。量化格式能显著降低内存占用一张7B模型量化后大约占4到6GB配合16GB内存比较稳妥。如果你只是偶尔盘一次手头又是办公电脑可以先跑最轻量的版本验证流程不够再升级。本地推理环境我用的是支持标准兼容接口的推理工具启动后本机会开一个本地端口程序用HTTP请求就能对话。这个兼容接口最大的好处是以后从本机迁到内网服务器或者换成更强的模型调用代码一行都不用改切换成本极低。3. 实操从一堆乱记录到一张标准盘点表3.1 第一步把原始材料变成“可投喂”的文本这一步千万别省。模型处理的是文本输入越规整输出质量越高。我具体做了三件预处理一是把扫码枪导出的文件和OCR出来的文本统一转成UTF-8编码避免中文乱码。数量不少的文件是GBK编码导出的脚本里加一步转码能省掉后续所有乱码困扰。二是用脚本把每条记录按行拆分空行过滤掉首尾空格清理干净。这一步虽然简单但对提升AI解析准确率帮助很大。模型对“中间夹杂十几个空行和制表符”的文本识别效果会明显下降。三是给图片类记录加一行来源标注比如“以下记录来自货架标签照片的OCR结果”让模型知道上下文里可能有不完整的识别片段解析时会更保守。预处理脚本我用的是Python标准库加pandas。简单示例import pandas as pd import re def clean_line(line: str) - str: line line.replace(\t, ).strip() line re.sub(r[\ufffd], , line) # 去掉乱码字符 return line with open(raw_records.txt, r, encodingutf-8) as f: raw_lines f.readlines() clean_lines [] for x in raw_lines: x clean_line(x) if x: clean_lines.append(x) with open(clean_records.txt, w, encodingutf-8) as f: f.write(\n.join(clean_lines))这段代码的核心逻辑很简单制表符统一成空格去掉乱码字符删掉空行。运行一次之后你会看到原始记录从“乱七八糟的堆砌”变成“一行一条的记录”后面AI解析的准确率能提一截。3.2 第二步提示词是这套方案的核心同样的模型提示词写得好不好盘点表的可用性能差出一大截。我经过多轮迭代把提示词固定成了五个模块角色定义、任务说明、字段结构、处理规则、输出格式。这套写法背后的逻辑是角色让模型调用仓储场景的常识字段结构限定输出边界处理规则控制模型不要自作聪明输出格式保证结果可直接程序解析。下面是我实际使用的提示词模板可以直接复制修改你是一位有十年经验的仓库盘点数据整理助理。 请将下面提供的原始盘点记录整理为标准库存盘点表。 字段要求 - 库位原始记录中的货架/区域编号没有则为未知 - 物料编码只保留原始记录中出现的编码未出现则留空 - 品名归一化后的物料名称 - 规格体积/容量/数量/型号等信息 - 单位箱/瓶/件/桶/公斤等 - 账面数量ERP账面数原始数据中没有则填写未提供 - 实盘数量现场盘点数必须是数字没有则为缺失 - 盘点人现场记录人没有则留空 处理规则 1. 品名归一凡指向同一物料的表述都合并为同一个品名如瓶装水550ml瓶装水550毫升瓶装水 550ml统一为瓶装水 550ml。 2. 不编造数据物料编码、数量、库位等字段只能来自原始记录缺失就按要求标记绝不能自行补充或估算。 3. 不进行单位换算原始记录用箱就用箱用瓶就用瓶不要自作主张统一换算。 4. 每条原始记录只生成一行盘点表记录不合并同类物料数量保持原样。 输出格式 先输出Markdown格式表格表头为 序号|库位|物料编码|品名|规格|单位|账面数量|实盘数量|盘点人|备注 再输出一个按库位汇总的小表格列为 库位|记录条数|实盘数量合计 最后用一行文字说明哪些行被你判定为信息缺失。 以下是原始记录 粘贴原始记录 这个提示词有三个细节值得注意。第一“不编造数据”这条必须放在显眼位置并且明确说缺失字段怎么写否则模型很容易脑补编码或数量。第二“不进行单位换算”是为了防止模型把3箱改成72瓶换算本身没错但和原始单据对不上时会制造新的差异。第三“每条原始记录只生成一行”是为了保证后续能和原始单据逐条核对同类物料要不要合并放到程序阶段处理不要依赖模型做合并。3.3 第三步用脚本调本地模型批量跑手工一条条复制到对话界面也行但上千条记录不现实。我写了一个简单的Python脚本逐批把清洗后的文本发给本地推理服务再把返回的Markdown表格保存下来。核心代码长这样import requests LOCAL_API_URL http://127.0.0.1:1234/v1/chat/completions def ask_local_model(prompt: str) - str: payload { model: inventory-model, messages: [{role: user, content: prompt}], temperature: 0.2, max_tokens: 4096, } resp requests.post(LOCAL_API_URL, jsonpayload, timeout300) resp.raise_for_status() return resp.json()[choices][0][message][content] with open(clean_records.txt, r, encodingutf-8) as f: records f.read() full_prompt PROMPT_TEMPLATE.replace(粘贴原始记录, records) result ask_local_model(full_prompt) print(result)temperature设成0.2是关键。我刚开始用默认温度跑模型偶尔会把单位从“瓶”改成“罐”还会在汇总表里自己加一行合计。温度压到0.2之后这类“自由发挥”明显减少。做数据整理类任务模型的创造力越低越好它不需要有创意它需要的是忠实。批次大小同样要控制。上下文窗口有限一次性塞太多记录容易被截断截断之后后面的记录直接丢了而且模型不会主动告诉你。我通常每批控制在60到100条视模型上下文长度调整。宁可多跑几批也不要贪多导致数据丢失。3.4 第四步程序校验别信模型给的数字AI输出内容之后我会再跑一道程序校验。这一步是必须的因为模型在复制数字和计算合计时偶尔会出错。校验我拆成四层字段完整性检查逐行确认品名不为空、实盘数量是数字、库位格式符合预期。这一层过滤的是模型漏字段的问题。一致性检查把模型输出的“按库位实盘数量合计”和明细行重新求和的结果做对比不一致就重新生成该批次。这一层防的是模型算错合计。重复检查把品名和规格拼接后去重发现重复行就回头核对原始记录是不是重复录入。这一层防的是录入重复。抽样核对随机抽5%的行回到原始记录人工复核重点看编码和数量。这一层是对整体可信度做最后确认。我遇到的情况是90%以上的批次能一次通过偶尔有一批合计对不上重新送一次基本能修复。这种“模型输出加程序校验”的组合比单纯信任模型输出稳健得多。省掉任何一层校验都可能把模型的一个小幻觉变成差异表里的大问题。3.5 第五步输出最终盘点表和差异表校验通过后把结果组装成最终的电子表格文件。结构分三个工作表盘点明细表、按库位汇总表、账实差异表。这次生成不交给AI用openpyxl之类的库直接写保证格式完全可控。from openpyxl import Workbook from openpyxl.styles import Font wb Workbook() ws wb.active ws.title 盘点明细表 headers [序号, 库位, 物料编码, 品名, 规格, 单位, 账面数量, 实盘数量, 盘点人, 备注] ws.append(headers) for row_data in parsed_rows: ws.append(row_data) ws2 wb.create_sheet(账实差异表) # 根据校验结果填充差异表内容 # 冻结窗格、加粗表头等样式设置 wb.save(2025年第一季度库存盘点表.xlsx)差异表的计算口径我想多说一句。账实差异分数量差异和金额差异两种口径。零售和电商建议以数量差异为主因为成本价波动会干扰判断制造企业通常数量和金额都要看。不管选哪种差异字段必须在程序里统一计算不要依赖模型逐个算效率和准确度都差很多。4. 踩坑实录本地AI盘点最常见的五个问题4.1 模型脑补严重编出了不存在的编码第一次跑的时候我比较大意提示词里只写了“整理成表格”没写约束条件。结果模型把缺失的物料编码位置自动填成了类似“SKU-0089”的编号还顺手编出了账面数量。这些数据如果直接用来对账差异表会完全失真库存盈亏判断会错得离谱。排查思路很简单先检查输出的物料编码是否和原始记录或ERP编码表匹配匹配不上的基本就是编的。对策就是3.2节写的——增加“不编造数据”约束同时要求缺失字段必须显式标注。实测加上这两条之后脑补问题基本绝迹。4.2 长记录被截断后面几条消失上下文窗口再大也有上限。第一次处理一份整文件的1200行盘点记录输出到后半部分戛然而止。我还以为是模型卡住了检查之后才发现是超出上下文长度最坑的是已输出部分里最后几行还是截断的半句不仔细看根本发现不了。解决办法就是分片处理按库位或按行数切成60到100条一批每批独立生成。分片还带来一个额外好处某批出错时重跑成本只限于这一批不影响其他结果。实测下来分片之后截断问题彻底消失。4.3 同一个东西三种写法归一不彻底“瓶装水550ml”“瓶装水550ML”“瓶装水 550毫升”这种差异模型通常能处理。真正难的是业务层面的同一物品“罐装汽水330ml”和“汽水罐330ml”模型不知道这是同一个东西因为名称本身就不一致。我的办法是提前维护一张同义词对照表把常见简称、别名、旧名称映射到标准品名放在提示词里一并交给模型。例如标准品名对照用于归一 汽水罐330ml: 罐装汽水 330ml 汽水听装330ml: 罐装汽水 330ml 瓶装水550: 瓶装水 550ml实测加上对照表后归一准确率提升很明显。盘点范围固定的话这张表会越用越顺手平时发现新写法就加一行属于典型的“一次投入长期受益”。4.4 OCR把数字识别错照片里的货架标签OCR最常见的错误是数字串识别错位“330ml”变成“33Oml”“20240115”变成“2024011S”。这类错误模型常常发现不了因为它会把错字当成正常数据照单全收。对策分两层。第一层在OCR后、AI解析前用正则清理明显不合法的字符比如规格字段里出现字母O的本应是数字的位置。第二层在程序校验阶段对物料编码和批号做格式校验比如批次号不符合日期规则的直接标记人工复核。别指望AI替你发现OCR错字它只会忠实地把错字整理进表格。4.5 单位混用导致汇总失真实际盘点中同一种物料可能有“箱”和“瓶”两种记录。提示词里特意加了“不进行单位换算”但这只是AI解析阶段不换算程序汇总阶段必须做换算。比如“瓶装水 550ml”有3箱24瓶/箱和12瓶的记录分库位汇总时如果不统一单位数量总和就是错的。我的做法是在程序里维护一张换算系数表汇总前先统一到最小单位再换算回展示单位。这张表同样要人工维护别指望模型或程序自动猜猜错一次就会带偏整个差异表。问题现象常见原因解决措施编码被编造提示词缺少约束增加“不编造数据”规则缺失字段显式标注末尾记录丢失上下文窗口超限按60到100条分片处理同物异名品名本身不一致维护同义词对照表放入提示词数字错字OCR识别误差正则预清理加程序格式校验汇总数量失真箱和瓶混用程序内维护换算系数统一单位5. 从一次盘点到一套可以重复用的流程5.1 模板沉淀比什么都值钱做完这次之后我把提示词、预处理脚本、校验脚本、输出脚本整理成了一个项目目录每次盘点唯一要换的就是原始数据文件和同义词表。提示词模板经过这轮实际检验字段结构、约束规则、输出格式都已经稳定后面基本原样复用每次最多根据盘点范围微调一下品名对照表。我个人体会是这套东西最值钱的不是模型本身而是沉淀下来的模板和规则。模型更新换代提示词和校验脚本改一改就能继续用同义词表和换算系数表是业务资产越攒越厚实属于别人拿不走的积累。5.2 从季度大盘点到日常小盘点季度大盘点是低频场景但日常小盘点更值得复用这套流程。比如每周对高流转SKU做循环盘点原始数据量小跑一次只要几分钟。我现在会把日常盘点素材统一丢进约定目录跑定时脚本早上到公司直接看昨天的差异明细表有异常再人工介入。整个环节下来人工投入从“专职半天”压缩到“核对十分钟”。这种玩法能在小团队里落地的前提是前面几步都足够稳定。如果每次都还要人工修提示词那日常自动化的价值就大打折扣。所以先把季度盘点的模板跑熟再谈日常化。5.3 再往前一步和出入库单据形成闭环如果公司出入库已经有电子记录这套本地化流程还能再扩一步把每日出入库流水也交给模型做字段抽取生成每日库存变动汇总再和盘点差异表交叉验证。这样不仅知道“盘点时差了多少”还能追溯“这段时间哪些单据可能录错了”。当然这个扩展要看业务复杂度单体门店直接上没问题多仓多货主就要谨慎设计数据边界。最后补充一个值得记住的小细节所有批次的AI原始输出都保留一份不要覆盖。后面如果对账意见不一致能快速回溯当时模型是怎么解释这批数据的省掉很多“当时到底怎么处理的”这种扯皮。库存盘点这件事听起来是脏活累活但它恰恰是数据规则最清晰、最适合用本地AI提速的场景。只要链路搭对了、提示词约束住了、校验环节兜住底你就能把原来好几天的加班压缩成几个小时而且结果比人工整理更规整。下次盘点不妨先拿一批旧数据试跑通了20条样例再放到全量。我保证你跑完第一遍就不想再回到纯手工对表的时代。
先交代一下背景。前阵子帮一个做零售的朋友处理季度库存盘点仓库里SKU三千多个盘点单来自两个渠道一部分是扫码枪导出的文本一部分是盘库的人用手机拍的货架照片。往年这种活儿要拉两个实习生干三天最后还要手工对账改错。这次我把整个过程改成“本地AI自动生成盘点表”从原始记录到最终带差异的盘点表一个晚上跑完第二天上午复核下午出了结果。这篇文章就是这次操作的一次完整复盘。核心思路是用本地运行的智能模型把杂乱的盘点记录自动整理成结构化表格再直接落地成电子表格文件。为什么讲究“本地化”因为库存成本、供应商价格、销售数据都是商业敏感信息走外部接口心里不踏实而且盘点很多时候在仓库现场网络环境不稳定。本地化处理意味着数据不出设备速度自己掌控一套流程跑熟之后随时能用。文章会讲链路怎么搭、提示词怎么写、脚本怎么调、坑在哪里全部按可直接复制的标准写。这件事适合谁参考如果你是电商小团队、零售门店、制造业仓库的管理人员或者已经在用电子表格记账但每次盘点都头疼的运营同学这篇文章可以给你一条完整的落地路径。1. 先把问题看清楚盘点表到底难在哪1.1 盘点数据源天生就是“脏”的库存盘点表的原始输入几乎没有干净的时候。我把常见的数据来源梳理了一遍基本逃不过这几种形态扫码枪或PDA导出的TXT、CSV文件字段顺序不固定有些带库位有些不带编码规则还不统一。现场手写单据回到办公室再人工录入。字迹潦草和漏项是常态一张单子上“数量”没写完全是家常便饭。手机拍的照片货架标签、外箱喷码、系统截图全靠人工认识别过程还会引入各种错字。群里报上来的数字格式千奇百怪还有“大概”“左右”这种口语描述。ERP系统导出的账面数编码规范但和以上现场数据处于两个世界完全对不上格式。传统做法是人肉把这些来源全部统一到一张表里先判断每个记录是哪个商品、哪个库位、多少数量再和账面数比对。数据量一旦上千行两个小时起步而且注意力一分散就出错。我见过最典型的一次事故盘完后差异金额怎么都对不上账最后发现是两个人对同一堆货重复录了两遍一份数据混进了两行谁也没看出来。1.2 AI能替掉的是“整理”而不是“判断”很多人以为AI生成盘点表就是把数据丢进去自动出结果其实AI真正擅长的是替代中间那段又累又容易出错的整理工作。它做四件事第一字段抽取。把一段口语记录“3排B区 瓶装水550ml 24瓶装 实盘3箱”拆成库位、品名、规格、单位、数量这几个字段。第二格式归一。把“瓶装水550ML”“瓶装水550毫升”“瓶装水 550ml瓶装”认成同一个东西统一成一种写法。第三表格生成。按你指定的表头结构输出标准盘点表含序号、库位、物料编码、品名、规格、单位、账面数、实盘数、差异、备注。第四初步校验。帮你标出明显异常的行比如数量为负、单位不合理、品名疑似重复等。判断“这家供应商的退货要不要冲减库存”这类业务决策AI做不了也不该让它做。把AI定位成“负责整理和格式化的干活的角色”整套流程就清晰了。这个定位直接决定了后面提示词怎么写、校验程序怎么设计。2. 链路搭建本地化智能处理的方案选型2.1 数据处理主链路怎么设计我实际用的链路是五段式每一段都有明确职责原始记录收集 → 文本预处理 → 本地AI解析整理 → 程序校验 → 生成电子表格原始记录收集扫码枪导出文件、现场照片统一丢到一个文件夹照片先跑一遍OCR转成文本。文本预处理清洗特殊字符、把OCR错位的段落按行切开、文件编码统一成UTF-8。这一步用脚本做不依赖AI规则明确且速度极快。本地AI解析整理核心环节。把预处理后的文本按批次送进本地模型带着定义好的字段结构和约束条件让模型输出标准表格。程序校验对AI输出的结果做机器检查。数量字段能否转成数字、合计是否等于各明细之和、有没有重复行等硬性错误全部在这一层拦截。生成电子表格最后用程序把校验通过的表格写成最终的电子表格文件带表头样式、冻结窗格、差异标色。为什么不让AI直接生成最终文件因为AI输出的是文本内容格式稳定性和计算能力都不可靠数字合计这种事交给程序更稳妥。这个分工是整套方案的关键所有可能产生“业务损失”的环节都必须由确定性程序兜底AI只负责理解语义和整理结构。2.2 为什么坚持本地模型这里需要解释一下“本地化”三个字的考量。我见过不少人直接用外部接口处理库存数据也不是不行但我自己踩过几次之后还是切回了本地方案原因有三点。一是数据敏感。库存数量、采购成本、客户订单这些数据很多企业连内网共享都要设权限更不用说把数据送到外部接口去解析。本地模型所有请求都发生在自己电脑或内网服务器上数据不出边界这一条没有商量余地。二是盘点场景的网络不固定。仓库往往在郊区盘点现场有时候连手机信号都勉强更不用说稳定调用外部接口。本地推理完全不依赖外网断网照样干活在仓库现场配合扫码枪直接可用。三是长期成本可控。按调用量计费的外部接口盘一次几千行数据解析加汇总很快就产生不少费用。本地模型是一次性投入硬件是自己的电费几乎可以忽略盘点频次越高越划算。维度本地模型外部接口数据隐私数据不出设备完全自控需要上传第三方服务器网络依赖完全不依赖外网必须保持联网单批速度看硬件配置秒级到分钟级一般秒级返回长期成本一次性硬件投入越用越省按量计费量大有压力可控程度可调参数、可换模型、可离线运行受平台规则和版本限制本地模型的短板也摆在明面上没有高端显卡速度会慢小参数模型的理解能力弱一些需要在提示词和预处理上多花功夫。但就盘点表这种字段固定、规则明确的任务本地模型完全够用。2.3 硬件和模型怎么配先说结论一台内存16GB的普通电脑就能跑集显或没有独立显卡也能接受只是速度慢一些。我自己测试用的是一台16GB内存加中端独显的机器跑量化后的开源模型每批几十条记录单条反馈时间在几秒到十几秒完全在可接受范围内。模型参数规模建议优先考虑7B到14B的量化版本。参数太低字段抽取和同物归一能力明显下降参数太高普通机器带不动。量化格式能显著降低内存占用一张7B模型量化后大约占4到6GB配合16GB内存比较稳妥。如果你只是偶尔盘一次手头又是办公电脑可以先跑最轻量的版本验证流程不够再升级。本地推理环境我用的是支持标准兼容接口的推理工具启动后本机会开一个本地端口程序用HTTP请求就能对话。这个兼容接口最大的好处是以后从本机迁到内网服务器或者换成更强的模型调用代码一行都不用改切换成本极低。3. 实操从一堆乱记录到一张标准盘点表3.1 第一步把原始材料变成“可投喂”的文本这一步千万别省。模型处理的是文本输入越规整输出质量越高。我具体做了三件预处理一是把扫码枪导出的文件和OCR出来的文本统一转成UTF-8编码避免中文乱码。数量不少的文件是GBK编码导出的脚本里加一步转码能省掉后续所有乱码困扰。二是用脚本把每条记录按行拆分空行过滤掉首尾空格清理干净。这一步虽然简单但对提升AI解析准确率帮助很大。模型对“中间夹杂十几个空行和制表符”的文本识别效果会明显下降。三是给图片类记录加一行来源标注比如“以下记录来自货架标签照片的OCR结果”让模型知道上下文里可能有不完整的识别片段解析时会更保守。预处理脚本我用的是Python标准库加pandas。简单示例import pandas as pd import re def clean_line(line: str) - str: line line.replace(\t, ).strip() line re.sub(r[\ufffd], , line) # 去掉乱码字符 return line with open(raw_records.txt, r, encodingutf-8) as f: raw_lines f.readlines() clean_lines [] for x in raw_lines: x clean_line(x) if x: clean_lines.append(x) with open(clean_records.txt, w, encodingutf-8) as f: f.write(\n.join(clean_lines))这段代码的核心逻辑很简单制表符统一成空格去掉乱码字符删掉空行。运行一次之后你会看到原始记录从“乱七八糟的堆砌”变成“一行一条的记录”后面AI解析的准确率能提一截。3.2 第二步提示词是这套方案的核心同样的模型提示词写得好不好盘点表的可用性能差出一大截。我经过多轮迭代把提示词固定成了五个模块角色定义、任务说明、字段结构、处理规则、输出格式。这套写法背后的逻辑是角色让模型调用仓储场景的常识字段结构限定输出边界处理规则控制模型不要自作聪明输出格式保证结果可直接程序解析。下面是我实际使用的提示词模板可以直接复制修改你是一位有十年经验的仓库盘点数据整理助理。 请将下面提供的原始盘点记录整理为标准库存盘点表。 字段要求 - 库位原始记录中的货架/区域编号没有则为未知 - 物料编码只保留原始记录中出现的编码未出现则留空 - 品名归一化后的物料名称 - 规格体积/容量/数量/型号等信息 - 单位箱/瓶/件/桶/公斤等 - 账面数量ERP账面数原始数据中没有则填写未提供 - 实盘数量现场盘点数必须是数字没有则为缺失 - 盘点人现场记录人没有则留空 处理规则 1. 品名归一凡指向同一物料的表述都合并为同一个品名如瓶装水550ml瓶装水550毫升瓶装水 550ml统一为瓶装水 550ml。 2. 不编造数据物料编码、数量、库位等字段只能来自原始记录缺失就按要求标记绝不能自行补充或估算。 3. 不进行单位换算原始记录用箱就用箱用瓶就用瓶不要自作主张统一换算。 4. 每条原始记录只生成一行盘点表记录不合并同类物料数量保持原样。 输出格式 先输出Markdown格式表格表头为 序号|库位|物料编码|品名|规格|单位|账面数量|实盘数量|盘点人|备注 再输出一个按库位汇总的小表格列为 库位|记录条数|实盘数量合计 最后用一行文字说明哪些行被你判定为信息缺失。 以下是原始记录 粘贴原始记录 这个提示词有三个细节值得注意。第一“不编造数据”这条必须放在显眼位置并且明确说缺失字段怎么写否则模型很容易脑补编码或数量。第二“不进行单位换算”是为了防止模型把3箱改成72瓶换算本身没错但和原始单据对不上时会制造新的差异。第三“每条原始记录只生成一行”是为了保证后续能和原始单据逐条核对同类物料要不要合并放到程序阶段处理不要依赖模型做合并。3.3 第三步用脚本调本地模型批量跑手工一条条复制到对话界面也行但上千条记录不现实。我写了一个简单的Python脚本逐批把清洗后的文本发给本地推理服务再把返回的Markdown表格保存下来。核心代码长这样import requests LOCAL_API_URL http://127.0.0.1:1234/v1/chat/completions def ask_local_model(prompt: str) - str: payload { model: inventory-model, messages: [{role: user, content: prompt}], temperature: 0.2, max_tokens: 4096, } resp requests.post(LOCAL_API_URL, jsonpayload, timeout300) resp.raise_for_status() return resp.json()[choices][0][message][content] with open(clean_records.txt, r, encodingutf-8) as f: records f.read() full_prompt PROMPT_TEMPLATE.replace(粘贴原始记录, records) result ask_local_model(full_prompt) print(result)temperature设成0.2是关键。我刚开始用默认温度跑模型偶尔会把单位从“瓶”改成“罐”还会在汇总表里自己加一行合计。温度压到0.2之后这类“自由发挥”明显减少。做数据整理类任务模型的创造力越低越好它不需要有创意它需要的是忠实。批次大小同样要控制。上下文窗口有限一次性塞太多记录容易被截断截断之后后面的记录直接丢了而且模型不会主动告诉你。我通常每批控制在60到100条视模型上下文长度调整。宁可多跑几批也不要贪多导致数据丢失。3.4 第四步程序校验别信模型给的数字AI输出内容之后我会再跑一道程序校验。这一步是必须的因为模型在复制数字和计算合计时偶尔会出错。校验我拆成四层字段完整性检查逐行确认品名不为空、实盘数量是数字、库位格式符合预期。这一层过滤的是模型漏字段的问题。一致性检查把模型输出的“按库位实盘数量合计”和明细行重新求和的结果做对比不一致就重新生成该批次。这一层防的是模型算错合计。重复检查把品名和规格拼接后去重发现重复行就回头核对原始记录是不是重复录入。这一层防的是录入重复。抽样核对随机抽5%的行回到原始记录人工复核重点看编码和数量。这一层是对整体可信度做最后确认。我遇到的情况是90%以上的批次能一次通过偶尔有一批合计对不上重新送一次基本能修复。这种“模型输出加程序校验”的组合比单纯信任模型输出稳健得多。省掉任何一层校验都可能把模型的一个小幻觉变成差异表里的大问题。3.5 第五步输出最终盘点表和差异表校验通过后把结果组装成最终的电子表格文件。结构分三个工作表盘点明细表、按库位汇总表、账实差异表。这次生成不交给AI用openpyxl之类的库直接写保证格式完全可控。from openpyxl import Workbook from openpyxl.styles import Font wb Workbook() ws wb.active ws.title 盘点明细表 headers [序号, 库位, 物料编码, 品名, 规格, 单位, 账面数量, 实盘数量, 盘点人, 备注] ws.append(headers) for row_data in parsed_rows: ws.append(row_data) ws2 wb.create_sheet(账实差异表) # 根据校验结果填充差异表内容 # 冻结窗格、加粗表头等样式设置 wb.save(2025年第一季度库存盘点表.xlsx)差异表的计算口径我想多说一句。账实差异分数量差异和金额差异两种口径。零售和电商建议以数量差异为主因为成本价波动会干扰判断制造企业通常数量和金额都要看。不管选哪种差异字段必须在程序里统一计算不要依赖模型逐个算效率和准确度都差很多。4. 踩坑实录本地AI盘点最常见的五个问题4.1 模型脑补严重编出了不存在的编码第一次跑的时候我比较大意提示词里只写了“整理成表格”没写约束条件。结果模型把缺失的物料编码位置自动填成了类似“SKU-0089”的编号还顺手编出了账面数量。这些数据如果直接用来对账差异表会完全失真库存盈亏判断会错得离谱。排查思路很简单先检查输出的物料编码是否和原始记录或ERP编码表匹配匹配不上的基本就是编的。对策就是3.2节写的——增加“不编造数据”约束同时要求缺失字段必须显式标注。实测加上这两条之后脑补问题基本绝迹。4.2 长记录被截断后面几条消失上下文窗口再大也有上限。第一次处理一份整文件的1200行盘点记录输出到后半部分戛然而止。我还以为是模型卡住了检查之后才发现是超出上下文长度最坑的是已输出部分里最后几行还是截断的半句不仔细看根本发现不了。解决办法就是分片处理按库位或按行数切成60到100条一批每批独立生成。分片还带来一个额外好处某批出错时重跑成本只限于这一批不影响其他结果。实测下来分片之后截断问题彻底消失。4.3 同一个东西三种写法归一不彻底“瓶装水550ml”“瓶装水550ML”“瓶装水 550毫升”这种差异模型通常能处理。真正难的是业务层面的同一物品“罐装汽水330ml”和“汽水罐330ml”模型不知道这是同一个东西因为名称本身就不一致。我的办法是提前维护一张同义词对照表把常见简称、别名、旧名称映射到标准品名放在提示词里一并交给模型。例如标准品名对照用于归一 汽水罐330ml: 罐装汽水 330ml 汽水听装330ml: 罐装汽水 330ml 瓶装水550: 瓶装水 550ml实测加上对照表后归一准确率提升很明显。盘点范围固定的话这张表会越用越顺手平时发现新写法就加一行属于典型的“一次投入长期受益”。4.4 OCR把数字识别错照片里的货架标签OCR最常见的错误是数字串识别错位“330ml”变成“33Oml”“20240115”变成“2024011S”。这类错误模型常常发现不了因为它会把错字当成正常数据照单全收。对策分两层。第一层在OCR后、AI解析前用正则清理明显不合法的字符比如规格字段里出现字母O的本应是数字的位置。第二层在程序校验阶段对物料编码和批号做格式校验比如批次号不符合日期规则的直接标记人工复核。别指望AI替你发现OCR错字它只会忠实地把错字整理进表格。4.5 单位混用导致汇总失真实际盘点中同一种物料可能有“箱”和“瓶”两种记录。提示词里特意加了“不进行单位换算”但这只是AI解析阶段不换算程序汇总阶段必须做换算。比如“瓶装水 550ml”有3箱24瓶/箱和12瓶的记录分库位汇总时如果不统一单位数量总和就是错的。我的做法是在程序里维护一张换算系数表汇总前先统一到最小单位再换算回展示单位。这张表同样要人工维护别指望模型或程序自动猜猜错一次就会带偏整个差异表。问题现象常见原因解决措施编码被编造提示词缺少约束增加“不编造数据”规则缺失字段显式标注末尾记录丢失上下文窗口超限按60到100条分片处理同物异名品名本身不一致维护同义词对照表放入提示词数字错字OCR识别误差正则预清理加程序格式校验汇总数量失真箱和瓶混用程序内维护换算系数统一单位5. 从一次盘点到一套可以重复用的流程5.1 模板沉淀比什么都值钱做完这次之后我把提示词、预处理脚本、校验脚本、输出脚本整理成了一个项目目录每次盘点唯一要换的就是原始数据文件和同义词表。提示词模板经过这轮实际检验字段结构、约束规则、输出格式都已经稳定后面基本原样复用每次最多根据盘点范围微调一下品名对照表。我个人体会是这套东西最值钱的不是模型本身而是沉淀下来的模板和规则。模型更新换代提示词和校验脚本改一改就能继续用同义词表和换算系数表是业务资产越攒越厚实属于别人拿不走的积累。5.2 从季度大盘点到日常小盘点季度大盘点是低频场景但日常小盘点更值得复用这套流程。比如每周对高流转SKU做循环盘点原始数据量小跑一次只要几分钟。我现在会把日常盘点素材统一丢进约定目录跑定时脚本早上到公司直接看昨天的差异明细表有异常再人工介入。整个环节下来人工投入从“专职半天”压缩到“核对十分钟”。这种玩法能在小团队里落地的前提是前面几步都足够稳定。如果每次都还要人工修提示词那日常自动化的价值就大打折扣。所以先把季度盘点的模板跑熟再谈日常化。5.3 再往前一步和出入库单据形成闭环如果公司出入库已经有电子记录这套本地化流程还能再扩一步把每日出入库流水也交给模型做字段抽取生成每日库存变动汇总再和盘点差异表交叉验证。这样不仅知道“盘点时差了多少”还能追溯“这段时间哪些单据可能录错了”。当然这个扩展要看业务复杂度单体门店直接上没问题多仓多货主就要谨慎设计数据边界。最后补充一个值得记住的小细节所有批次的AI原始输出都保留一份不要覆盖。后面如果对账意见不一致能快速回溯当时模型是怎么解释这批数据的省掉很多“当时到底怎么处理的”这种扯皮。库存盘点这件事听起来是脏活累活但它恰恰是数据规则最清晰、最适合用本地AI提速的场景。只要链路搭对了、提示词约束住了、校验环节兜住底你就能把原来好几天的加班压缩成几个小时而且结果比人工整理更规整。下次盘点不妨先拿一批旧数据试跑通了20条样例再放到全量。我保证你跑完第一遍就不想再回到纯手工对表的时代。
