借助 AI 从 0 到 1 搭建图像对比服务（二）：需求拆解——让 AI 把我的“大概想做这么个东西“变成“具体怎么干“

一、场景：一句话需求，怎么往下走

上一篇我说了，这个项目的需求朴素到一句话：

给两张图，告诉我它们有多像。

但真到要动手写的时候，这句话就露馅了——它根本没法直接落地。"有多像"是像到什么程度？"两张图"是图文件还是网址？除了像不像还要不要别的？谁来调用、怎么调用、返回什么？

换以前，我得自己坐在那儿一拍脑袋硬想，想错一步后面全得返工。这次我没硬想，我决定先让 AI 帮我把这摊模糊的玩意儿，捋成一份能看、能挑、能改的方案。

这一篇讲的就是这个过程：怎么用大白话喂需求，怎么接住 AI 吐回来的东西，以及——更重要的是——我在它吐回来的方案里，改了哪几个关键的地方。

二、给 AI 的指令：我是怎么把需求喂出去的

我第一句话没急着让它写代码，而是把"我大概想做这么个东西"尽量讲清楚。大概是这样说的：

我要做一个图像对比服务。核心功能：输入两张图，返回它们有多像。
背景是工业巡检、图片溯源，所以要判断的不只是像素像不像。
我还想知道：
- 这两张是不是在同一个地方拍的
- 里面拍的是不是同一个东西
- 有没有可能是翻拍的假图
对外要提供一个 HTTP 接口，给别的程序调用。

先别写代码。先给我一份方案：
1. 你建议用哪几种技术分别解决哪个问题
2. 接口大概长什么样（参数、返回）
3. 整体的模块怎么分

我要先看你的思路，确认了再动手。

注意我这条指令干了三件事：把背景讲清楚、把要它干的事讲清楚、把"先别写代码"这条规矩砸给它。这就是上一篇说的"约束前置"和"先计划后执行"。一条指令里，两个规矩就用上了。

三、AI 的产出：它吐回来一份"四只眼睛 + 一个裁判"

AI 回得挺快，大意是：这个事不能只靠一个招，得分几路看，最后再合一合。它给我的方案长这样（我翻译成大白话）：

四个角度看图：

• 让机器像人一样理解图里是什么（它建议用 CLIP 这种东西）
• 让机器"看图说话"，念字、认物体、说场景（它建议用多模态大模型）
• 看照片自带的"出生证"，GPS、相机、时间（EXIF）
• 查翻拍，看是不是对着屏幕拍的假货

一个裁判打总分： 把上面四个结果按各自分量加一加，合成一个总分。

一个对外接口： 别的程序传两张图进来，拿走这个总分和明细。

我一看——嚯，这不就是上一篇那张"四只眼睛"的表吗？对，骨架就是在这一步定下来的。AI 把我脑子里那团浆糊，整理成了一张能看的图。

但请注意，我没照单全收。接下来才是重头戏。

四、我的校验与纠偏：方案我改了三个地方

AI 给的方案大体能用，但有几个地方我读完觉得不对劲，硬改了。这几个改动，后来证明救了大命。

改动一：为什么没有"开/关 EXIF"这个开关

AI 给我的接口里，本来设计了四个开关：开不开 CLIP、开不开 EXIF、开不开翻拍、开不开大模型。每个都让调用方自己选。

我盯着"开不开 EXIF"这个开关看了半天，觉得不对。EXIF 这玩意儿是个加分项——照片带了档案就加几分，没带档案就算了，不罚。它不是个独立功能，是个"有的话更好"的点缀。要是单独做成开关，调用方还得操心"我要不要开 EXIF"，纯属添乱。

所以我把它删了。EXIF 永远在跑，有就加分，没有就不加，调用方根本不用知道它存在。

最后接口只留了三个开关：enable_clip（开 CLIP，默认开）、enable_anti_recapture（开翻拍检测，默认开）、enable_vlm（开大模型，默认关）。你看，默认值也藏着心思——大模型慢、吃资源，默认关着，真要用的人再手动开。

改动二：大模型的活儿，固定就干这三样

AI 本来给我留了个参数，让调用方自己选大模型干啥——只认字、只认物体、还是全干。我又觉得不对劲。这服务的调用方哪知道"认字"和"认物体"是啥？他们要的只是"帮我把图看明白"。

所以我把它砍了，大模型一上来就三样全干：认字、认物体、说场景。调用方不用选，简单。

改动三：返回结构拍扁，最多三层

这是我最得意的一处改动。AI 给我的返回结构，嵌套得跟俄罗斯套娃似的——一个图的信息套在一个对象里，里面又套错误、又套分数、又套明细。我数了数，最深的套了五六层。

我干过后端，知道这种套娃返回值有多坑：前端取个值得写一长串 a.b.c.d.e，中间哪层断了就炸。所以我跟 AI 说：拍扁，最多三层，别套了。

还有个连带改动：AI 原本在最外层放了个 error 对象，专门报错。我又觉得不对——图是两张分开处理的，一张出错另一张可能没事，把错误统一放外层，调用方分不清是谁的错。所以我让它把错误合并到每张图自己的 error 字段里，没出错就空着。外层那个 error 对象，删了。

最后接口长这样（如果你想看具体代码，可以点这里：app.py 里的接口定义）：

Plain Text

请求：
  batch_a / batch_b   两组图
  enable_clip         开不开 CLIP        默认 开
  enable_anti_recapture  开不开翻拍检测    默认 开
  enable_vlm          开不开大模型        默认 关

返回：最多三层
  total_score          总分
  每张图各自的明细      （含它自己的 error 字段，空 = 没事）

五、踩的坑：不拍扁，后面全是雷

这一步其实没踩什么惊天大坑，但有个事我必须得说。

我之所以坚持把返回结构拍扁，是因为我干过后端，被这种套娃返回值坑怕了。AI 不会主动这么想——它给方案的时候，脑子里没有"调用方用着方不方便"这根弦，它只想着"结构上怎么表达完整"。完整归完整，难用是真难用。

这件事让我意识到一件事：AI 会把方案做"对"，但不会把方案做"好用"。好不好用，得靠人来把关。 这就是为什么我说"会判断对错"比"会写"重要——我得能看出 AI 这个方案"对是对，但用起来会疼"，才敢去改它。

这一步如果偷懒照单全收，后面写到前端对接的时候，光处理那堆套娃就够我喝一壶的。

六、小结：AI 在这一步的能力边界

到这一篇结束，我对 AI 在"需求拆解"这个环节的能力，心里有数了：

• 它特别会"把模糊变结构"：我给它一句话，它能还我一张能看的架构图。这是它最值钱的能力之一。
• 它不替你想"好不好用"：方案对不对它管，方不方便用，得你来管。像开关设计、返回结构这种跟"用户体验"挂钩的东西，AI 默认是想不到的。
• 你得在它给完方案的第一时间就纠偏：别等代码都写完了再发现"咦怎么这么套娃"。越早改，越省事。

说白了，这一步 AI 是个特别能干的"架构助理"，但它需要一个懂行的"产品经理"在旁边拍板。而那个产品经理，就是我。

七、下篇预告

方案定下来了，下一步就是真刀真枪写代码。下一篇，我们进入第一个真正的技术模块：怎么让机器像人一样"看懂"一张图——CLIP 特征提取。那是我从没从零接过的东西，也是我第一次真刀真枪地"反向审 AI"。