门店的 AI 盘点，本质是用摄像头、电子价签和 POS 流水去核对「账上记的货，货架上到底还有没有」。AI 在这里不是替你数数，而是把每一次数数的结果变成一条能对账的记录，让店长从月底盘一次变成每天都能看一眼。要讲清它怎么跑起来，得从最麻烦的一步说起：对不上号。
盘点真正难的是对不上号
一家社区店动辄三四千个单品，同一个商品可能有散装、整箱、促销装三种形态，条码还常常磨花。系统账上记的是「件」，货架上摆的是「面」，中间差着一层换算关系。这一步没理顺，后面识别再准也白搭，因为算出来的差异全是假的。
所以落地第一步是建主数据：给每个单品建立「外观—条码—规格—陈列位」的对应表，先把常卖的几百个单品做扎实。剩下的长尾商品用条码兜底，允许识别不出来，但不能识别错，认错比认不出更伤账。
图像和价签怎么变成一条记录
采集端通常是三种：货架拍照、通道摄像头、带摄像头的盘点车。拍照适合临街小店，成本低；通道摄像头适合便利店，能按小时回看；盘点车适合大卖场，一次能扫一整排。三种方式的共同点是要有稳定的拍摄位，否则同一排货架两次拍出来的角度不同，比对就失去意义。
识别环节做两件事：检出商品并给出类别，读取价签上的名称与价格。价签是很好的锚点，因为它同时携带名称、规格和价格，能反过来校正商品识别的结果。像豆包、智谱清言这类多模态能力，可以用来处理价签模糊、反光、被遮挡的情况，把残缺的记录补全。
差异怎么分级
算出来的差异不能一股脑丢给店长。通常分三级：数量差异超过阈值且连续两天出现的，属于要当场查的高优先；只差一两件、当天又有促销的，属于可解释波动；识别置信度低造成的差异，属于数据问题，转给后台修主数据。
分级的意义在于把人的注意力放到值钱的地方。一家日销两千单的店，如果每天报出三百条差异，店长一条都不会看；压到二十条以内，处理率才会真的上去，差异单也不再是走个形式。
| 差异类型 | 判定条件 | 归谁处理 |
|---|---|---|
| 高优先 | 数量差异超过阈值，且连续两天出现 | 店长当场核查 |
| 可解释波动 | 只差一两件，当天又有促销 | 记录在案，不做当场动作 |
| 数据问题 | 识别置信度低造成的差异 | 转后台修主数据，不进店长的差异单 |
盘点频率怎么从季度变成每天
传统盘点受限于人力，只能一个季度做一次全量。有了自动采集，可以把全量拆成滚动切片：每天拍四分之一货架，四天覆盖全店，账目按天更新。这样既不会一次性占用太多人力，也能让缺货在一天之内被发现，补货节奏跟着变快。
滚动盘点的前提是库位稳定。如果门店经常改陈列，切片就对不上历史记录，差异会虚高。所以频率提升之前，先要把陈列图固定下来，改动走审批，不然系统会天天报「货不对板」，店长很快就会把提醒关掉。
误差怎么一点点收敛
盘点的误差有两个来源：识别错和账目错。前者靠扩充样本、增加拍摄位、引入价签交叉校验来压；后者靠收货、退货、报损三个环节的及时录入来压。很多门店盘点不准，根子在收货时少录了一箱，而不是机器看错了。
实践里比较有效的做法是每周做一次小盲盘：随机挑二十个单品，人工数一遍，和系统结果比。这二十个数字不对外考核，只用来判断当前误差水平，以及最近一次模型更新有没有带来副作用，连续做八周就能看出趋势。
- 主数据：外观、条码、规格、陈列位四件对齐
- 采集：拍照、通道摄像头、盘点车按店型选
- 比对：以价签为锚点校正商品识别
- 分级：高优先当天查，低置信转后台修数据
- 频率：切片滚动，四天覆盖全店
关于门店的 AI 盘点的三个常问问题
- 没有摄像头的老店能上吗？：可以先从手机拍照加价签识别做起，先解决主数据，再考虑固定机位，硬件可以后补。
- 盘点结果和系统账差很多，先信谁？：先信人工盲盘的小样本，用它判断是识别问题还是录入问题，再决定改哪一头。
- 每天盘会不会打扰正常营业？：切片设计得好就只是顺路拍几张，真正的成本在于差异处理，所以分级必须做在推送之前。
盘点结果最终要喂给补货，需求预测是怎么滚动更新讲的就是这条下游链路；门店用电的成本核对可以看能耗预测怎么做负荷优化；如果更关心服务过程的抽查，客服质检的全量覆盖是同一套思路的另一面。
