把 OCR 管线整个删掉：一次架构回退的决策记录

我做的一个小工具需要「拍商品包装，读出生产日期和保质期」。 这个需求听起来像 OCR 的经典场景，我一开始也确实按 OCR 的思路做了。 但最后落地的版本里，OCR 一行代码都没留下。

这篇不是「OCR 不行，视觉模型行」这种结论文。我想记录的是：一个为了绕开 具体缺陷而设计的架构，会在缺陷被修复的那一刻失去存在理由， 以及回退时应该保住什么。

一、第一版为什么绕开视觉模型

最直接的做法是：把照片丢给视觉大模型，让它直接输出结构化结果。我最初就是这么做的， 但很快遇到三个问题：

• 慢：模型在给答案前会先生成一大段推理过程，单张图要三四秒；
• 不稳：同一张图两次调用，推理长度不一样，输出也不完全一样；
• 偶发幻觉：非商品图（比如随手拍的一堵墙）也会硬凑出一个日期。

当时的判断是「不能让模型自由推理」。于是我改成两步走： 客户端用 OCR 把图上的文字全部抽出来变成纯文本，服务端再把文本交给模型做结构化。 多了一步，但模型面对的是确定性的文本，推理量小、结果可控。

照片 → 客户端 OCR 抽文字 → 上传文本 → 服务端汇总端点 → 结构化 JSON

这条管线跑通了，也确实是稳的。为了处理 OCR 分块输出的碎片， 我还写了一套文本汇总与字段合并的逻辑。整体上，它是一个「绕开模型推理」的架构。

二、OCR 的三个硬短板

稳定是稳定了，但准确率上不去。问题不在我的管线，而在 OCR 本身：

• 艺术字与异形字体：食品包装上的日期经常被设计成描边字、 点阵字、或者带底纹的印章样式，通用 OCR 模型识别率很低。
• 纯钢印 / 压印日期：很多瓶罐的日期是压出来的，没有颜色对比。 OCR 拿到的是一张几乎没有文字纹理的图。
• 外文包装：进口商品的日期格式和语种都不固定， OCR 抽出来的文本还要再做一轮语言判断和格式解析。

这三个短板不是调参能解决的。文字是「看图看出来的」，不是「扫描扫出来的」—— 而这恰好是视觉模型比 OCR 强的地方。

三、转折点：一个参数

后来我在模型的接口文档里注意到一个控制思考过程的参数，可以直接关闭推理。 抱着试试看的心态加上去之后，同一张图的实测结果是：

我又跑了一轮更宽的验证：混合了不同品类的包装图、以及几张故意不是商品的图。 结果是推理量稳定为 0、耗时稳定在 3 秒上下、非商品图也不再硬凑日期。

这一步很关键：我当初绕开视觉模型的唯一理由是「它推理失控」。 当这个理由不成立时，整套 OCR 管线的存在意义就一起消失了。

四、决定回退，以及回退时保住什么

回退不是把代码删干净重写。OCR 那条管线虽然白做了，但过程中沉淀了两样东西， 在新架构里价值反而更大：

1. 统一的 JSON 状态结构

为了让 OCR 的分块结果能拼起来，我定义了一套统一的结果 schema： 品牌、品名、类别、生产日期、到期日、保质期文本……每个字段都是 { value, confidence } 的形式，而不是裸字符串。

这个结构在视觉直识里同样成立——因为「带置信度」让后续的合并与裁决有了依据。

2. 字段级合并与日期推算（纯函数）

多张照片、多次调用的结果必须能合并。我把它写成了不依赖任何外部服务的纯函数： 按字段比置信度决定取值，日期推算（生产日期 + 保质期 → 到期日）也放在代码里， 不让模型算。

纯函数的好处是可测试——这部分逻辑至今没改过，换架构时原封不动搬过去了。

五、新架构长什么样

砍掉 OCR 和独立的汇总端点之后，整条链路收缩成：

每张照片：压缩 → 视觉模型（关闭推理）
           ↑ 请求携带「当前已识别的状态 JSON」
           ↓ 返回合并后的状态 JSON（含逐字段置信度）
客户端更新状态 → 下一张照片带着新状态再识别

单端点、单模型、单提示词。类别判断也交回给模型了——看图判断品类， 本来比看文字更可靠（艺术字包装、没有文字特征的品类，OCR 根本帮不上忙）。

六、我从中得到的两条经验

第一，要分清「绕过缺陷」和「解决问题」。 我当初的 OCR 管线是一个绕路方案，它有效，但它把架构绑死在「模型会失控」 这个前提上。前提一变，绕路就成了负担。如果当时就意识到这点， 或许会先花时间确认那个参数到底能不能用。

第二，抽象出来的部分比管线本身更长寿。 这次真正活下来的，是统一 JSON 状态和纯函数合并逻辑——因为它们描述的是 「问题本身」，而不是「某一版实现」。管线换了两次，这两样东西一直在用。

顺带一提：删代码比写代码需要更多勇气。但删掉之后，可维护的东西明显变多了。