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不对，上面的「英文名」全是拉丁学名，像 Thunnus orientalis、Pseudocaranx dentex 这种。讲道理，这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，你脑子里存着一串拉丁文，根本对不上号。
我想要的很简单，中文名 → 日文名 → 美国餐厅菜单上实际印的那个名字。网上没找到现成的，那就自己做一个。说自己做也不太准确，其实是我指挥一队 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，每段用的工具都不一样。
-
调研，多个 agent 并行跑。我开了九个 agent，每个管一类鱼（赤身、白身、光物、贝、虾蟹这些），把自己手里那几种鱼各整理成一条结构化的记录，字段有中文名、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。最麻烦的是美式菜单名这一栏，我专门让它们上网去核实，因为模型最爱在这儿想当然。你让它翻「鯛」，它张口就是 sea bream，但美国一半的菜单上印的其实是 red snapper。这种地方必须查，不能它说什么就信什么。
-
配图，用 gpt-image-2。每种鱼两张写实图，一张是整条鱼，让你认得出它在市场里的样子；一张是摆好盘的那一贯，就是你在板前实际看到的样子。一共差不多 150 张。图出得准不准，基本全看 prompt 写得多细。把这条鱼的颜色、花纹、特征一条条写进去，画对品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，都画对了。
-
拼装，就是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 都没放，因为排版要的是每次跑出来都一样，用不着模型发挥。
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。模型只是代码里调用的一个子程序，或者说一个函数，整个流程不归它管。
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，发散的活交给 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的接口上跑图，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，结果出了件很怪的事，整鱼图全挂了，摆盘图全都好好的。代码是同一套，prompt 是同一批，模型也是同一个。
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。老接口不声不响地收下了，新接口不收，直接报错。改一行就好了。这是个很老的经验，如果故障整整齐齐按某个维度分成两边，像这里整鱼全挂、摆盘全好，那 bug 基本就出在这个维度上。
整鱼图全挂、摆盘图全好，故障齐刷刷按尺寸分成两边，bug 就出在尺寸上。
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、自动分页，结果它开始吐出一半是空白的页，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，断点绝不落在小标题上。排版引擎自由发挥就是会出这种事，断点全写死就没问题了。
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，鱼和我这份差不多，但结构不一样。它每种鱼都给口感打了分（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。
但这两份数据我没有手动去拼。我让一个 agent 拿这份数据当打分的尺子，把 73 种鱼的口感全部重新打一遍分，这样不管那份数据里有没有这种鱼，用的都是同一把尺子。现在每张卡片上都有一小条「脂／弹／香」的格子图，还有一个按真实肉色填的圆点。这种活人手做要做很久，交给 agent 几乎不花钱。
图鉴里有什么
一共 73 种鱼，分 9 类。每张卡片上有中文名／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，另外还有两张图。拿 Hamachi 举个例子，它是幼鰤，冬天最肥，口感紧实干净，容易和间八搞混，这些卡片上全都印了。
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。感觉这里面最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，我坐在椅子上就把它跑完了。
我要拿的主意其实就是怎么分活，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。