让 AI 认对分类：OCR 匹配策略

AI 返回的分类和平台，怎么才能认对？直接把识别结果塞进表单是不行的——大模型会凭空造一个不存在的分类 ID、把”油烟机”写成”抽油烟机”、把订单平台猜成列表里没有的名字。本文记录三招兜底：候选注入、ID 优先匹配、平台白名单。

一、难点：两套数据字典

拾物清单里”分类”其实是两个独立的东西：

数据字典	表	结构	用途
业务分类	`goods_category`	平铺列表（系统预设 + 用户自建）	决定物品归属哪个业务分组
图标分类	`goods_icon`	两级树（一级分组 → 二级图标）	决定物品显示什么图标

AI 只要返回一个 categoryId，根本分不清它该填哪张表——两张表的 ID 空间互相独立，名称还可能撞车。所以 Prompt 里必须把两套候选分开、把规则写死：

1. categoryId/categoryName 是业务物品分类，只能从"业务分类候选"中选择。
2. firstCategoryId/secondCategoryId 是 goods_icon 的父子树，
   二级图标必须从选中的一级分类 children 中选择。
3. 三个 ID 只能使用候选中的 ID，不要把业务分类 ID 当作图标 ID。
   无法可靠匹配时返回 null。

二、候选注入：每次识别都带最新字典

候选列表不能硬编码在 Prompt 里——用户会自建分类、改分类名，硬编码很快就和数据库对不上。识别前动态加载当前用户的分类和图标树，拼进 Prompt：

private String buildPrompt(List<GoodsCategory> categories, List<IconCategoryTreeVO> iconTree) {
    List<Map<String, Object>> categoryOptions = categories.stream()
            .map(c -> Map.of(
                    // 雪花 ID 用字符串传，避免模型或 JSON 中转丢精度
                    "id", String.valueOf(c.getCategoryId()),
                    "name", c.getCategoryName()))
            .toList();
    // 图标树同理，带上一级及其 children
    ...
    return """
            ...JSON 结构：{...}
            业务分类候选：%s
            图标分类候选（一级及其二级 children）：%s
            """.formatted(JSONUtil.toJsonStr(categoryOptions), JSONUtil.toJsonStr(iconOptions));
}

两个细节：

ID 一律字符串化。项目用雪花算法生成 Long，而 JS 的 Number 安全整数上限是 2^53，模型和前端 JSON 中转都可能丢精度，字符串最稳。
限定输出结构。Prompt 里给出完整的 JSON 骨架，未知字段返回 null，要求”只返回 JSON，不要 Markdown”，解析端再兜一层 ```json 代码块剥离。

三、匹配策略：ID 优先，名称兜底，树形反查

模型返回的结果不能直接信，回填前要过一遍校验，优先级从高到低：

// 1. 业务分类：先按 ID 在当前候选中找
GoodsCategory category = findCategoryById(dto.getCategoryId(), categories);
// 2. 找不到再按名称精确匹配（兼容历史结果）
if (category == null) {
    category = findCategoryByName(dto.getCategoryName(), categories);
}

图标树的匹配多一层父子约束：

IconCategoryTreeVO first = findIconGroupById(dto.getFirstCategoryId(), iconTree);
IconCategoryVO second = first == null ? null : findIconById(dto.getSecondCategoryId(), first.getChildren());

// 只返回了二级 ID？从整棵树反查父级，保证 first/second 是真父子
if (first == null && dto.getSecondCategoryId() != null) {
    for (IconCategoryTreeVO candidate : iconTree) {
        IconCategoryVO secondCandidate = findIconById(dto.getSecondCategoryId(), candidate.getChildren());
        if (secondCandidate != null) { first = candidate; second = secondCandidate; break; }
    }
}

关键约束：二级图标必须落在选中的一级分类 children 里，不能接受”模型自己凑的一对父子”。名称兜底只在当前用户可见的候选树内做，绝不跨用户查表。

名称匹配再留两级宽容：先精确相等，再互相 contains 模糊匹配。同时维护两张别名表，兼容历史结果里的旧叫法：

// 历史一级名称 → 当前名称
ICON_ROOT_ALIASES = {"数码产品" → "数码", "生活用品" → "生活", ...}
// 旧提示词里的个别二级名称差异
ICON_NAME_ALIASES = {"抽油烟" → "油烟机"}

全部匹配不到就保持 null，宁可让用户手选，也不回填一个错误分类。

四、平台匹配：白名单 + 用户确认

平台字段先给模型一份固定候选（京东/淘宝/拼多多/抖音……），要求”无法判断返回 null”。回填时分两种情况：

命中现有平台列表：trim 后直接选中，不打扰用户；
识别出新平台（如一家没收录的小众商城）：保留名称填入表单，同时弹轻量提示——“加入并选中”调 platformStore.addPlatform() 写入我的平台，”仅填入”就只管本次表单。

边界都兜住：重名不重复创建；新增请求失败不撤销识别结果（表单照留，只提示失败）；语音识别的平台提示延后到内容确认弹窗关闭后，避免两个弹窗叠加。

五、结果清洗：白名单校验

除分类外的枚举字段同样不信任模型，回填前过白名单：

if (OCR_GOODS_STATUSES.contains(dto.getGoodsStatus())) {  // in_use/idle/sold/damaged
    vo.setGoodsStatus(dto.getGoodsStatus());
}
if (OCR_WARRANTY_UNITS.contains(dto.getWarrantyUnit())) {  // none/day/month/year
    vo.setWarrantyUnit(dto.getWarrantyUnit());
}

价格、数量这类数字字段用 try-parse，解析失败就当 null；avgType 缺省按天摊销。原则一致：模型输出是建议，校验通过才是数据。

写在最后

这套策略没有用什么 RAG 或向量检索，就是三件事：把候选喂准、把匹配做严、把清洗做全。对一个字段有限的表单识别场景，Prompt 内嵌候选 + 代码侧兜底校验已经足够；真要上更开放的实体识别，再考虑语义匹配不迟。

相关阅读：OCR 异步化 + WebSocket 推送：订单识别的完整链路