这次我们来看一个很有意思的组合项目AI 钱币鉴定。它的核心不是某个单独的模型而是把 Claude Agent 的任务编排能力和智谱 GLM-5.1 大模型的视觉理解能力接在一起组成一条“钱币图片 → 特征识别 → 知识比对 → 结构化鉴定报告”的链路。用户只需要上传一张钱币照片就能得到这枚钱币的币种、年份、版别、品相特征、真伪判断依据以及一个保守的行情参考区间。这个项目最值得关注的点有四个第一Claude Agent 负责拆解问题和调度工具适合做多轮鉴定对话第二智谱 GLM-5.1 负责看图和提取细节能处理钱币上的文字、纹饰、磨损、包浆等信息第三整个链路可以封装成 API也能做成批量目录扫描第四资源门槛灵活如果全部走云端 API本地不需要独立显卡如果想把视觉模型本地化则按模型参数量准备 GPU。下面我会带大家把架构、环境、代码、接口、批量任务和排错整个走一遍顺便聊聊 AI 鉴定在真实收藏场景里能用在哪、不能用在哪。如果你是钱币收藏爱好者、二手文玩交易的运营人员或者单纯想研究“Agent 多模态大模型”怎么落地到垂直行业这篇文章可以直接收藏。1. 核心能力速览能力项说明项目类型AI 钱币鉴定 Agent多模型协作应用模型构成Claude Agent任务编排与推理 智谱 GLM-5.1图像视觉识别主要功能钱币币种识别、年份判断、版别比对、品相描述、真伪依据分析、行情参考推荐硬件纯 API 模式普通开发机即可本地视觉模型模式需按模型参数量配置 GPU显存占用API 模式本机基本不占显存本地部署需以实际模型版本和 nvidia-smi 实测为准支持平台Windows / Linux / macOSPython 3.10启动方式Python 脚本启动可封装 FastAPI 服务是否支持 API支持可自行封装 REST 接口是否支持批量任务支持目录扫描 并发处理 CSV 导出适合场景收藏爱好者辅助鉴别、文玩商家批量初审、拍卖行预筛选、AI 多模态应用教学需要说明的是显存占用、API 模型名称、响应格式这些参数会受到具体模型版本和平台接口影响本文会给出可替换的配置项实际部署时以官方文档为准。2. 适用场景与使用边界2.1 这个项目适合谁第一种用户是钱币收藏爱好者。很多人手里有几十枚老银元、铜钱但是自己看不准年份和版别送去评级机构又费时间。AI 鉴定可以先把特征、疑点整理出来帮助用户决定要不要送评。第二种用户是文玩商家他们经常要面对大量图片靠人眼一张张看效率太低批量鉴定脚本可以把初筛工作自动化。第三种用户是开发者想研究“Agent 视觉大模型”怎么落地这个项目是一个很好的模板任务拆解、工具调用、知识库检索、API 封装全都涉及。2.2 使用边界与合规提醒AI 钱币鉴定有非常明确的边界不能当权威结论用。第一AI 只能根据图像特征给出概率判断无法测量重量、直径、材质密度而这些恰恰是区分真伪的重要指标。第二评级公司给出的品相分数、装盒结论需要人工结合实物和评级标准执行AI 不能替代。第三如果涉及高价交易、文物定级、法律纠纷必须以专业鉴定机构和法定鉴定结论为准。第四人物肖像类钱币、文物类藏品的图片用于研究学习没问题但商用前要确认版权和合规授权。我建议在系统提示词和输出报告中都加上“结果仅供参考不构成交易依据”的说明并且不要承诺“保真”。这是行业应用的底线也是避免纠纷的必要设计。3. AI 钱币鉴定项目架构与工作流3.1 两个模型怎么分工很多新手会把“多模型应用”理解成简单拼接实际上这里的分工逻辑比较清楚。Claude Agent 承担的是“大脑”角色它要做三件事分析用户问题、决定调用哪个工具、把工具返回的特征整理成鉴定报告。智谱 GLM-5.1 承担的是“眼睛”角色它接收钱币图片输出视觉特征比如钱币正面的文字内容、背面的纹饰布局、边缘磨损程度、包浆状态以及是否有明显的高仿特征。之所以要拆成两个模型是因为 Agent 场景对推理和工具调用的稳定性要求高而钱币鉴定对细粒度视觉理解要求高。让同一个模型既做编排又做图像识别不是不行但职责分开以后系统提示词可以更聚焦后续想换成其他视觉模型比如把 GLM-5.1 换成其他多模态模型只需要改一个工具函数不需要改 Agent 主流程。3.2 整体工作流整个鉴定流程可以拆成六个阶段用户输入钱币图片和问题比如“这枚银元是哪个年份的有没有版别价值”。本地对图片做预处理压缩分辨率、控制文件体积、转成 base64。Claude Agent 收到请求后判断是否需要调用视觉工具。Agent 调用智谱 GLM-5.1传入图片和针对性的提问获取视觉特征。Agent 再调用钱币知识库工具把视觉特征和已收录的版别资料做比对。Agent 综合所有信息输出一份结构化鉴定报告。这套流程的可扩展性很强。如果以后收集了足够多的真伪对比图还可以增加一个“特征比对工具”让 Agent 在回答前先检索参考图库。如果接入了国内主流评级公司的公开评分规则也可以把品相评分做成独立工具。3.3 为什么值得这么组合从成本角度看纯 API 模式不用买显卡部署门槛很低适合个人玩家先跑通流程。从准确率角度看视觉模型直接看整张图比传统图像处理算法要稳至少能给出一个比“瞎猜”靠谱得多的特征列表。从工程角度看Claude Agent 的原生工具调用格式比较成熟开发调试体验好智谱的接口又是 OpenAI 兼容风格国内外开发者都容易上手。这个组合也适合做横向扩展。今天鉴定钱币明天换一套提示词和知识库就可以鉴定邮票、古玉、老家具架构本身不需要改。4. 环境准备与前置条件4.1 硬件与系统先说结论如果走云端 API本机只需要能运行 Python 的开发环境Windows、Linux、macOS 都可以不需要独立显卡。如果你想把智谱 GLM-5.1 本地化部署用 Ollama 或其他推理框架加载那就需要准备 GPU具体参数量对应多少显存需要以实际部署版本为准不能拍脑袋。磁盘方面代码和依赖很小几百 MB 足够。但如果要本地部署大模型模型文件本身可能占几十 GB建议预留充足空间。另外API 模式对网络要求比较高上传大图时会消耗流量建议在稳定的网络环境下运行。4.2 Python 环境与依赖建议使用 Python 3.10 以上版本创建独立的虚拟环境避免和系统环境冲突。需要安装的核心依赖包括Anthropic 官方 SDK、OpenAI 兼容 SDK、FastAPI、uvicorn、Pillow、requests。你可以把依赖写入 requirements.txtanthropic0.40.0 openai1.40.0 fastapi0.115.0 uvicorn0.30.0 python-multipart0.0.9 Pillow10.0.0 requests2.32.0安装命令pip install -r requirements.txt如果你的网络环境安装慢可以切换为国内镜像源这一步按常规操作处理即可。4.3 API Key 与模型配置项目需要两个 API Key一个是 Anthropic 的 Key用于调用 Claude 模型另一个是智谱开放平台的 Key用于调用 GLM-5.1。两个 Key 建议通过环境变量配置不要硬编码在代码里更不要提交到 GitHub。# Linux / macOS export ANTHROPIC_API_KEY你的AnthropicKey export ZHIPU_API_KEY你的智谱Key export ZHIPU_BASE_URLhttps://open.bigmodel.cn/api/paas/v4 export GLM_MODELglm-5.1 export CLAUDE_MODEL你的Claude模型名# Windows PowerShell $env:ANTHROPIC_API_KEY你的AnthropicKey $env:ZHIPU_API_KEY你的智谱Key注意GLM_MODEL 这个值在不同平台、不同时间可用的模型名不一定相同实际填写时以智谱开放平台模型广场显示的可用模型名为准。Claude 模型名也一样从 Anthropic 控制台或官方文档确认后再填。4.4 目录结构建议按下面的结构管理项目文件后续批量处理时会更清晰coin_appraiser/ ├── appraisers/ │ ├── __init__.py │ ├── agent.py # Claude Agent 主流程 │ ├── vision.py # 智谱 GLM-5.1 视觉工具 │ └── knowledge.py # 钱币知识库工具 ├── api.py # FastAPI 接口 ├── batch.py # 批量扫描脚本 ├── requirements.txt ├── samples/ # 测试图片 └── outputs/ # 鉴定结果5. 搭建 AI 钱币鉴定 Agent5.1 图像预处理钱币图片如果太大直接传给 API 既慢又容易出现超时所以先做压缩。下面这个函数会把最长边压缩到 1200 像素以内并统一编码为 JPEG把图片体积控制在合理范围# vision.py import os from PIL import Image def preprocess_image(src_path: str, dst_path: str temp_coin.jpg, max_side: int 1200, quality: int 85) - str: img Image.open(src_path) w, h img.size scale max_side / max(w, h) if scale 1: img img.resize((int(w * scale), int(h * scale)), Image.LANCZOS) if img.mode ! RGB: img img.convert(RGB) img.save(dst_path, JPEG, qualityquality) return dst_path这里有几个参数可以按需调整max_side 控制分辨率quality 控制压缩质量。对钱币这种细节较多的物体不建议压得太狠一般 quality 85 到 90 比较合适。5.2 定义 GLM 视觉识别工具智谱的接口风格是 OpenAI 兼容格式图片以 base64 形式传递。下面封装了一个视觉调用函数专门给 Claude Agent 当工具用# vision.py import base64 import os from openai import OpenAI client_glm OpenAI( api_keyos.getenv(ZHIPU_API_KEY, YOUR_ZHIPU_API_KEY), base_urlos.getenv(ZHIPU_BASE_URL, https://open.bigmodel.cn/api/paas/v4), ) GLM_MODEL os.getenv(GLM_MODEL, glm-5.1) def glm_vision_analyze(image_path: str, question: str) - str: if not os.path.exists(image_path): return 图片文件不存在请检查路径 with open(image_path, rb) as f: image_b64 base64.b64encode(f.read()).decode(utf-8) ext os.path.splitext(image_path)[-1].lower().lstrip(.) mime {jpg: image/jpeg, jpeg: image/jpeg, png: image/png, webp: image/webp}.get(ext, image/jpeg) response client_glm.chat.completions.create( modelGLM_MODEL, messages[ { role: user, content: [ {type: image_url, image_url: {url: fdata:{mime};base64,{image_b64}}}, {type: text, text: question} ] } ], temperature0.2, ) return response.choices[0].message.content实际使用前请以智谱开放平台最新文档为准确认消息格式和模型名。5.3 定义钱币知识库工具光有视觉识别还不够Agent 还需要钱币常识来对照特征。下面用一个简单的 JSON 结构模拟知识库实际项目中可以换成 Elasticsearch、Milvus 或任何向量数据库# knowledge.py import json KNOWLEDGE_BASE { 袁世凯像壹圆: { 别名: 袁大头, 常见年份: 民国三年、八年、九年、十年, 简单特征: 正面袁世凯侧面像背面嘉禾图案, 鉴别注意点: 不同年份在正面文字和背面嘉禾布局上有差异高仿币常见压力不足、边齿生硬、包浆不自然 }, 孙中山像开国纪念币: { 别名: 孙小头, 常见年份: 民国开国纪念币, 简单特征: 正面孙中山侧面像背面麦穗图案, 鉴别注意点: 注意英文拼写、齿边细节、包浆均匀度 } } def lookup_knowledge(keyword: str) - str: for name, info in KNOWLEDGE_BASE.items(): if keyword in name or name in keyword: return json.dumps(info, ensure_asciiFalse) return 知识库中未找到对应条目请结合视觉特征和历史常识谨慎判断这个知识库是演示级别真正的生产环境需要由钱币领域的专业人士参与整理并且要持续补充新的版别资料。5.4 Claude Agent 主循环接下来是核心部分。Claude Agent 通过 tool use 机制调用上面的工具完成“看图 → 检索 → 汇总”的循环# agent.py import os from anthropic import Anthropic from vision import glm_vision_analyze, preprocess_image from knowledge import lookup_knowledge client_claude Anthropic( api_keyos.getenv(ANTHROPIC_API_KEY, YOUR_ANTHROPIC_API_KEY) ) CLAUDE_MODEL os.getenv(CLAUDE_MODEL, YOUR_CLAUDE_MODEL) SYSTEM_PROMPT 你是一名钱币鉴定助手。你的任务是根据用户提供的钱币图片输出鉴定报告。 报告必须包括币种、年份、版别、品相特征、真伪判断依据、参考行情区间。 注意事项 1. 默认调用 glm_vision_analyze 工具分析图片。 2. 可以得到关键词后调用 lookup_knowledge 工具检索知识库。 3. 所有判断用“根据图片特征推测”表述不能承诺 100% 准确。 4. 如果图片不清晰明确告诉用户需要重新拍摄。 5. 最终结果用 JSON 输出字段包括 coin_type, year, version, condition, authenticity, price_range, evidence。 tools [ { name: glm_vision_analyze, description: 调用智谱 GLM-5.1 视觉大模型识别钱币图像返回钱币文字、纹饰、磨损、包浆等特征, input_schema: { type: object, properties: { image_path: {type: string, description: 钱币图像文件路径}, question: {type: string, description: 需要视觉模型分析的问题} }, required: [image_path, question] } }, { name: lookup_knowledge, description: 在钱币知识库中检索版别、真伪特征、行情参考等资料, input_schema: { type: object, properties: { keyword: {type: string, description: 检索关键词} }, required: [keyword] } } ] def run_agent(image_path: str, question: str, max_rounds: int 5) - str: processed preprocess_image(image_path) messages [ {role: user, content: f请鉴定这张钱币图片{processed}\n用户问题{question}} ] for _ in range(max_rounds): response client_claude.messages.create( modelCLAUDE_MODEL, max_tokens4096, systemSYSTEM_PROMPT, toolstools, messagesmessages, ) tool_results [] final_texts [] for block in response.content: if block.type tool_use: if block.name glm_vision_analyze: result glm_vision_analyze(**block.input) elif block.name lookup_knowledge: result lookup_knowledge(**block.input) else: result 未知工具调用 tool_results.append({ type: tool_result, tool_use_id: block.id, content: result }) elif block.type text: final_texts.append(block.text) if not tool_results: return \n.join(final_texts) or Agent 未返回有效内容 messages.append({role: assistant, content: response.content}) messages.append({role: user, content: tool_results}) return Agent 执行轮数超过上限请检查输入图片或工具调用链这个主循环的逻辑是把用户问题发给 ClaudeClaude 判断要不要调用工具如果调用了工具就把工具的返回结果回传给 Claude让它在下一轮继续推理如果 Claude 认为信息已经足够就直接输出最终报告。max_rounds 限制了轮数上限防止死循环。6. 功能测试与效果验证6.1 测试用例设计搭建完 Agent先不要急着上业务建议用一组固定测试图来验证。以下是推荐的测试矩阵测试编号测试内容输入素材预期行为T1单张高清钱币正面图清晰、光线均匀的银元正面照片正确输出币种、年份、版别和特征描述T2正反面双图同一枚钱币的正面和背面照片结合双面特征输出完整报告T3多枚钱币合影一张图里有两枚以上钱币提示图片包含多枚钱币建议单枚拍摄T4模糊图/反光图分辨率低或表面反光严重明确提示图片质量不足并说明原因T5知识问答输入“袁大头有哪些常见年份”调用知识库返回客观常识T6非钱币图片普通物品照片识别出不是钱币拒绝强行鉴定这组测试的意义在于确认 Agent 不是一个“什么图都硬答”的系统而是知道自己的能力边界。6.2 单张高清图鉴定测试测试前准备一张清晰的银元照片放在 samples 目录。然后执行result run_agent(samples/silver_dollar_front.jpg, 请判断这枚钱币的币种、年份和版别并说明依据。) print(result)成功的标准有三个第一JSON 字段完整第二币种判断与图片内容高度一致第三证据描述里能体现“边齿、包浆、字口”这些具体特征而不是只输出一句“像是一枚老银币”。如果 Agent 描述得太空泛说明提示词需要更严格可以在 system prompt 里强制要求视觉模型先列出 5 到 10 个观察到的细节。6.3 双面图与多币图测试实际拍摄时很多用户会一次性上传正反面两张图。我们可以在预处理阶段把两张图拼接成一张或者让 Agent 依次分析两个文件。拼接方式更简单from PIL import Image def merge_two_images(front_path: str, back_path: str, dst_path: str merged.jpg): im1 Image.open(front_path) im2 Image.open(back_path) new_img Image.new(RGB, (im1.width im2.width, max(im1.height, im2.height)), white) new_img.paste(im1, (0, 0)) new_img.paste(im2, (im1.width, 0)) new_img.save(dst_path, JPEG, quality90) return dst_path多币合影则要注意如果视觉模型反馈“图片中有多枚钱币”最好的处理方式是提示用户重新单枚拍摄因为自动裁剪检测会增加错误概率。除非你已经接入了专门的目标检测模型否则不要把多币图直接丢给视觉模型做逐枚鉴定。6.4 模糊图与反光图测试模糊图是 AI 鉴定的典型失败场景。测试时可以用手机拍一张失焦的照片或者故意压低光照。预期行为是 Agent 输出“图片不够清晰无法可靠判断”而不是强行给出一个答案。如果 Agent 在模糊图上依然给出很高的置信度必须在系统提示词里加入限制当图片质量不足时输出 JSON 的 confidence 字段要低于 0.3并且 evidence 字段必须写明缺陷。反光也是钱币拍照的大问题特别是银元表面的包浆在强光下会完全丢失细节。建议在拍摄规范里要求自然光、不要开闪光灯、背景用纯色。6.5 知识问答测试除了图片鉴定Agent 还可以当钱币知识助手用。比如用户问“袁大头三年和八年的区别是什么”如果知识库里有对应资料Agent 应该能检索出来。这个测试不需要图片直接跑 Agent 并观察是否调用了 lookup_knowledge 工具。如果回答全是从模型记忆里直接生成的也没有关系但生产环境中最好让明显的数据型问题走知识库这样答案可控、可更新。7. 接口 API 与批量任务7.1 用 FastAPI 封装鉴定接口Agent 跑通以后下一步就是封装成服务方便前端页面或其他系统调用。下面的代码用 FastAPI 实现一个上传接口# api.py import os import shutil import tempfile from fastapi import FastAPI, UploadFile, File, Form from agent import run_agent from vision import preprocess_image app FastAPI() app.post(/appraise) async def appraise( file: UploadFile File(...), question: str Form(请全面鉴定这枚钱币) ): suffix os.path.splitext(file.filename or )[-1] or .jpg with tempfile.NamedTemporaryFile(suffixsuffix, deleteFalse) as tmp: shutil.copyfileobj(file.file, tmp) tmp_path tmp.name try: processed preprocess_image(tmp_path, temp_coin.jpg) result run_agent(processed, question) return {code: 0, message: ok, data: result} except Exception as exc: return {code: 1, message: str(exc), data: None} finally: os.unlink(tmp_path)启动服务uvicorn api:app --host 127.0.0.1 --port 8000启动后用 curl 测试接口curl -X POST http://127.0.0.1:8000/appraise \ -F file./samples/silver_dollar_front.jpg \ -F question请判断这枚钱币的主要年份和版别返回结果是一个 JSON 对象里面的 data 字段是 Agent 生成的鉴定报告。在生产环境中建议对返回结构增加统一校验避免前端拿到非 JSON 文本。7.2 批量目录扫描批量任务适合商家处理大量图片。一个简单的批量脚本如下# batch.py import csv import concurrent.futures from pathlib import Path from agent import run_agent def process_one(image_path: str) - dict: try: report run_agent( image_path, 请判断币种、年份、版别、品相和真伪依据并用 JSON 输出 ) return {image: image_path, ok: True, error: , result: report} except Exception as exc: return {image: image_path, ok: False, error: str(exc), result: } def batch_appraise(input_dir: str, output_csv: str, max_workers: int 4): patterns [*.jpg, *.jpeg, *.png, *.webp] images [] for p in patterns: images.extend([str(fp) for fp in Path(input_dir).glob(p)]) with concurrent.futures.ThreadPoolExecutor(max_workersmax_workers) as pool: results list(pool.map(process_one, images)) with open(output_csv, w, newline, encodingutf-8-sig) as f: writer csv.DictWriter(f, fieldnames[image, ok, error, result]) writer.writeheader() writer.writerows(results) print(f处理完成{len(results)} 张图片成功 {sum(1 for r in results if r[ok])} 张) if __name__ __main__: batch_appraise(samples, outputs/result.csv)执行python batch.py这里用了 utf-8-sig 编码主要是方便 Excel 直接打开 CSV避免中文乱码。7.3 批量任务的并发控制与失败重试批量任务最常遇到的问题就是 API 限流。ThreadPoolExecutor 的 max_workers 不要一开始就设成 16建议从 2 到 4 开始逐步加压。如果发现大量 429 或超时要先检查 API Key 对应的并发配额。另一个常用手段是给 run_agent 外部加一个重试包装器遇到网络超时和限流时指数退避重试import time def run_with_retry(image_path: str, question: str, retries: int 3): for attempt in range(retries): try: return run_agent(image_path, question) except Exception as exc: if attempt retries - 1: raise time.sleep(2 ** attempt)失败记录不要直接丢弃可以把 error 信息写到单独的错误日志文件等一轮任务跑完后再统一处理。8. 资源占用与性能观察8.1 云端 API 模式如果 Claude 和智谱 GLM-5.1 都走云端 API本机资源占用非常低CPU 只用来做图片压缩和 JSON 解析显存占用趋近于 0。这种情况下性能瓶颈主要在网络请求耗时和 API 并发额度。建议在开发机上跑几千张图完全没有压力只要控制好并发就行。8.2 本地部署模式如果你想本地部署视觉模型需要安装推理框架并下载权重。部署后可以用 nvidia-smi 观察显存占用nvidia-smi重点看每个进程占用的显存、GPU 利用率、温度。如果出现 OOM优先降低 batch size、开启量化、缩小图像分辨率。具体能跑到什么规模取决于显卡型号和模型参数量这里不给出固定数字因为不同部署方案差异很大。8.3 图像预处理对成本和性能的影响图像大小直接影响 API 计费和响应速度。base64 编码会让图片体积增加约 33%一张 3MB 的 JPG 转成 base64 后大约 4MB上传慢而且容易触发请求体限制。所以预处理参数很关键一般把最长边控制在 1024 到 1280 像素quality 控制在 85 左右单张图片体积控制在 1MB 以内。识别精度和文件大小需要做一个平衡不要一味追求无损。8.4 请求耗时的观察点建议在 run_agent 外部记录每次请求的开始时间和结束时间统计平均耗时。影响耗时的主要因素有三个图片大小、Agent 工具调用轮数、上游 API 响应速度。工具调用轮数越少延迟越低。所以系统提示词里要明确告诉 Agent视觉工具最多调用一次知识库工具可以根据需要多次调用不要反复做无意义的二次看图。9. 常见问题与排查方法问题现象可能原因排查方式解决方案API 返回 401 鉴权失败API Key 未设置、过期或填错检查环境变量和日志中的请求头重新生成 Key确认环境变量生效请求频繁返回 429并发超限或额度不足到平台控制台查看用量和配额降低 max_workers增加退避重试请求超时图片过大或网络不稳定查看图片大小和请求耗时压缩图片调大 http timeoutAgent 返回内容不是 JSON提示词约束不够或模型输出不稳定打印原始返回内容增强 system prompt 并增加后处理解析图片模糊导致识别失败拍摄条件差或压缩过度打开图片目测清晰度重新拍摄调整 quality 参数本地模型 OOM显卡显存不足nvidia-smi 查看显存占用减小并发使用量化参数换更小模型CSV 中文乱码编码格式不兼容检查文件编码用 utf-8-sig 编码保存批量任务卡住某张图片请求无限等待查看进程和日志设置超时时间添加失败重试机制Agent 死循环调用工具工具调用链没有收敛观察日志中的 tool_use 轮数调低 max_rounds优化提示词遇到问题的时候先看日志再看原始返回不要直接改代码。很多 Agent 应用的 bug 不是代码逻辑错而是模型返回的数据结构和预期不一致。10. 最佳实践与使用建议10.1 制定图片采集规范AI 鉴定准确率受图片质量影响极大。建议在实际项目里给用户一份拍摄规范钱币平放在纯色背景上镜头与币面垂直光线均匀银元需要正反两面各拍一张最好有边齿特写不要用闪光灯避免包浆反光。如果做批量业务还可以在预处理阶段自动检测模糊度和亮度自动剔除不合格图片减少无效请求。10.2 把知识库当成独立资产大模型的知识有截止日期而且无法覆盖冷门版别。真正能沉淀下来的资产是知识库。每做一批鉴定就把专家确认过的新版别特征、市场价格区间沉淀到知识库中持续迭代。用户画像不同的项目里知识库也应该不同面向收藏家的知识库偏重版别体系面向商家的知识库偏重流通品相和价格区间。10.3 建立小样本评估集不要靠感觉判断“模型变聪明了”。建议准备一个 50 到 100 张的小样本测试集每张图片都有人工标注的币种、年份、版别标签。每次修改提示词、更换模型版本、更新知识库之后都跑一遍测试集计算准确率和失败率。这样你就能知道改动到底是变好还是变坏。10.4 输出可追溯的鉴定报告生产环境里用户不会只满足于一句结论。报告最好包含三个部分结论摘要、特征依据、保留声明。特征依据里要写清楚“AI 观察到哪些细节”比如“正面文字压力略显不足边齿有连续性差异包浆分布较均匀”。保留声明要明确写“本结果仅基于图像特征建议结合实物和官方评级复核”。这种报告即使判断失误用户也更容易理解原因。11. 总结与下一步这个项目最值得尝试的点在于它把一个很垂直的行业需求拆解成了“Agent 编排 多模态视觉 知识库检索”的标准技术方案。你不需要自己从零训练模型而是用 Claude Agent 把现有模型组织成一条服务链路。最先应该验证的功能是单张清晰钱币图片的完整鉴定链路先把流程跑通再考虑做 API 和批量任务。最容易踩的坑有两个一个是图片体积没控制好导致请求超时另一个是 Agent 回答格式不稳定需要靠提示词加解析兜底来收敛。如果你对这套方案感兴趣建议下一步从三个方向扩展第一把演示级知识库换成正式版版别数据库最好结合专业图录第二引入评测集用不少于 100 张已标注钱币图做准确率跟踪第三把鉴定接口接到小程序或 Web 前端让用户能直接上传图片拿报告。等这些跑通之后这套 Agent 架构完全可以复用到邮票、古家具、玉器等更多品类的辅助识别上。