北京
一个卖休闲鞋和手工配饰的小卖家，在亚马逊和Meesho上架10个商品，过去要花将近2小时手动敲标题、标签和卖点，还得反复查搜索词。换成一套本地跑的AI工具后，同样的活压缩到3分钟以内，直接导出可导入的CSV。
这套工具叫CatalogCraft AI，是一个面向独立电商卖家的本地优先商品上架与目录生成引擎。目标用户很明确：独立站卖家、一件代发商家、目录代做 freelancer，以及在亚马逊、Etsy、Shopify、Meesho 这类平台上卖货的小型D2C品牌。
它的核心思路一句话能说完：给一张商品图加几句备注，产出一份结构化的、符合平台规范的商品listing，全程不调用云端AI接口，也就不产生按次计费的token成本。
两步本地流水线
整个生成过程拆成两步。第一步是视觉模型Moondream，负责分析上传的商品图，输出一段文字描述，覆盖商品类型、颜色、设计、材质以及可见的品牌标识。图片先被转成文字，而不是直接生成整份listing。
第二步交给文本模型Llama 3.2。它拿着视觉描述和卖家填的备注，生成结构化的、针对所选平台定制的商品信息。没有图片时，只靠文字规格也能生成。
两个模型都通过Ollama在用户自己的笔记本上跑，走本地socket，不依赖任何第三方云端端点。
产出内容包括：适配所选平台规范的商品标题、五条结构化的功能与卖点、用于提升搜索曝光的SEO关键词和搜索标签、面向搜索引擎的meta描述、带价格区间和理由的定价建议，以及适配店铺前台格式的HTML商品描述。
为什么成本能压到零
闭源API按每张图的token和每次输出计费。一个需要上架5000件季节性商品的小商家，云端API账单会直接吃掉利润。而用Ollama跑本地开源权重模型，生成5000份listing的成本是₹0 / $0。
隐私是第二个理由。D2C商家和手工艺人往往在商品发布前几个月就开始准备目录，把未公开的产品设计传到外部服务上，存在保密风险。本地引擎让商品图和卖家备注留在本机处理。
第三是离线能力。仓库和打包场地网络经常不稳定，模型和依赖下载完成后，CatalogCraft AI可以在没有网络连接的情况下运行，商家能离线批量处理实体库存。
第四是摆脱供应商锁定。开源架构意味着不会因为API突然下线、限流或涨价而被动。
工程上的几个细节
结构化可靠性靠两件事保证：调用Ollama的JSON输出模式，再用Python的json.loads()解析生成结果。一个Pydantic模型定义了期望的listing结构，Pandas负责把生成的记录转成CSV兼容数据。
延迟优化上，加了一条基于Pillow的图片预处理管线，把图片缓冲区动态缩放优化到512px再喂给视觉模型，缩小图片体积以提升推理效率。
界面用Streamlit搭，两条主流程：单商品模式上传一张图、填备注、生成、检查、下载CSV；批量模式一次上传多张图，顺序生成，在表格里查看整个目录，最后下载一份合并的主CSV。
平台支持亚马逊、Etsy、Shopify、Meesho，输出语言支持英语和印地语。
那位测试卖家给出的反馈是：亚马逊的卖点格式和定价策略能即时给出建议，省掉了请目录代做的钱。对做目录代工的人来说，这本身也是一个可以打包成桌面工具、一次性授权产品或订阅制目录服务的生意。
特别声明：以上内容(如有图片或视频亦包括在内)为自媒体平台“网易号”用户上传并发布，本平台仅提供信息存储服务。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.
