在板前叫不出鱼名，我让一群 agent 做了本认鱼图鉴
朋友前阵子发我一份小课，叫「omakase 认鱼课」，做得挺好看的，一张图讲一种鱼，排版也很讲究。但我翻了两页就发现问题：上面的「英文名」全是拉丁学名，Thunnus orientalis、Pseudocaranx dentex 这种。讲道理，这个东西在板前一点用都没有。师傅一抬头问你点什么，菜单上印的是 Hamachi、是 Sea Bream，你脑子里存一串拉丁文，对不上号。
我想要的版本很简单：中文名 → 日文名 → 美国餐厅菜单上真正印的那个名字。网上找不到现成的，找不到就自己做一个。说自己做也不太准确，实际是我指挥一队 agent 做，我自己一下午基本都在审它们交上来的东西，算是当了回主编。
成品先放这儿，免费拿：认鱼图鉴 PDF（92 页）。下面讲讲具体是怎么做出来的。
流程分三段
整条 pipeline 分三段：调研、配图、拼装，每段用的工具不一样。
-
调研，多 agent 并行。我开了九个 agent，一个负责一类鱼（赤身、白身、光物、贝、虾蟹这些），每个把自己手里那几种鱼整理成一条结构化记录：中文名、日文（假名加罗马音）、美式菜单英文名、拉丁学名、旬、板前怎么认、口感、怎么上、容易跟谁搞混。里面最麻烦的一栏是美式菜单名，我专门要求它们上网去核实，因为这正好是模型最爱想当然的地方。你让它翻「鯛」，它张口就给你 sea bream，但美国一半菜单上印的其实是 red snapper。这种地方必须核实，不能信它直接说。
-
配图，gpt-image-2。每种鱼两张写实图：一张整鱼，认市场里的样子；一张摆盘的那一贯，板前你实际看到的样子。一共差不多 150 张。出图准不准，基本全看 prompt 写多细。把这条鱼的颜色、花纹、特征一条条写进去，出对种的概率高得有点意外：鲣鱼肚子上的纵纹、石鲷的黑白横条、金目鲷的红皮，都出对了。
-
拼装，一段很无聊的确定性代码。生成器读数据，吐出带打印样式的 HTML，再用无头 chrome 打成 PDF。这一层我故意一点 AI 都不放，排版要的是每次跑出来都一样，不需要模型发挥。
反正我现在做东西基本都是这个套路：发散的活交给 agent 去跑，确定性的骨架用代码写死。模型是代码调用的一个子程序，或者说一个函数，流程不归它管。
一条三段流水线：并行 agent 调研、gpt-image 配图、确定性代码拼装成 PDF——发散交给 agent，骨架用代码写死。
踩了两个坑
第一个坑是图片尺寸。一开始我在一个限速接口上跑图，便宜，但一分钟只让发 10 张，150 张不知道要跑到什么时候。后来换了个快的接口想并行跑，结果出了个很怪的事：整鱼图全挂，摆盘图全好。同一套代码、同一批 prompt、同一个模型。
排查下来，两种图唯一的差别是尺寸。整鱼图请求的是 1792×1024，这是老模型的尺寸，新的图模型不收，只认 1536×1024。老接口默默帮你容忍了，新接口不忍，直接报错。改一行就修好了。这个经验很老了：一个故障如果齐刷刷沿着某个维度裂开——这里就是整鱼全挂、摆盘全好——bug 基本就在那个维度上。
整鱼图全挂、摆盘图全好，故障齐刷刷沿尺寸这一维度裂开，说明 bug 就在那条轴上。
第二个坑是分页。点菜速查表是一张 82 行的长表，我一开始让它自己往下溢出分页，它就开始吐半空白页，还把一种鱼的名字劈在两页中间。修的办法不是在 CSS 上调来调去，是把分页从排版引擎手里拿回来：在代码里把行切好，一页固定多少行，断点绝不停在小标题上。排版引擎自由发挥就是会出这种事，断点全部写死它就没问题了。
半路多出来一份数据
做到一半，另一个 agent 又塞给我一份数据，71 条，鱼跟我这份差不多，但结构不一样：每种鱼带一组数值化的口感（脂、弹、香，各 1 到 5），还带一个肉色的色值。这么好的东西，不要白不要。
但我没有手动去拼这两份数据。我让一个 agent 拿这份数据当评分的尺子，把 73 种鱼全部重新标定一遍口感，这样有覆盖的、没覆盖的，全落在同一把尺子上。现在每张卡片上都有一小条「脂／弹／香」的格子图，加一个按真实肉色填的圆点。这种活人手做要做很久，派给 agent 几乎不要钱。
图鉴里有什么
73 种鱼，分 9 类。每张卡片：中文名／日文名／美式菜单名、旬、板前怎么认、口感、怎么上、容易混淆的鱼、辨识关键词、口感格子图，外加两张图。拿 Hamachi 举个例子：那是幼鰤，冬天最肥，口感紧实干净，容易跟间八搞混，这些全印在卡片上。
另外还塞了几样板前真用得上的东西：
- 寿司形式速览：握／军舰／卷／手卷／刺身
- 下仕事术语表：漬け／昆布締め／炙り／煮切り这些。有时候看懂下仕事，比认出是什么鱼更说明问题
- 点菜避雷页：菜单上的「White Tuna」很多其实是油鱼；「这到底是哪种金枪鱼」；三文鱼根本不是江户前的传统；河豚得看牌照
- 一张五页的点菜速查表，点单前扫一眼就行
做完的一点感受
整件事就花了一个下午，而且这一下午我大部分时间在审 agent 交上来的东西，不是自己在做。感觉这里面真正值钱的变化是协调变便宜了，「AI 画了图」反倒不是重点：九个并行的调研 agent、一轮上网核实、两批图、一次口感标定、一个确定性的拼装脚本，这其实就是一条小型生产线，我坐在椅子上把它跑完了。
我要做的判断其实就是分活：schema、排版、分页这些用代码写死，调研、配图这些交给 agent 跑。这条线划对了，一个下午就够了。
灵感来自一份做得很漂亮的 omakase 认鱼课。书里的鱼图是 AI 生成的，供参考和好看，不是物种鉴定标准——真较真的时候，信师傅。本文 CC BY-NC。