案例 19 · 消费品研发与包装

文字由原PDF提取，阅读顺序和表格请以原页为准。

拆完之后，我们就能看到哪些事情可以直接交给AI。比如错别字、一些法规标准、能量
计算等相对确定的问题，可以提前自动检查。
而渠道要求这种东西，虽然最初可能需要人工判断，但每一次渠道反馈都可以被记录下
来。下一次遇到类似包装，就不需要重新从零开始。
再往上，产品经理真正需要做的，是判断包装到底有没有把产品表达清楚。
于是，一个原本“所有东西都堆给审核人员”的流程，被拆成了不同层级：确定性问题
→ AI自动处理；历史经验 → 持续沉淀；复杂判断 → 留给人。
第四步，工程化，让AI进入整条业务链。
首先，提升单次执行审核的准确率。
包装图上有密集文字段落，有NRV能量计算表格，也有艺术字变体设计，单靠模型的视
觉理解不够。我们先把包装拆成不同的视觉模块，分别选择更合适的OCR和VLM方案，
再把固定规则脚本化，把热量表和NRV的计算逻辑固化成确定性代码，让模型只做解释
和补录建议。蛋白质2.9g、每份40g、NRV5%对不对这类问题，从此实现可复现地验
证。
再补上降级和审计策略。每个模块的审核结果都带来源置信度，每个结论都能追溯到原
始数据，人类员工接手时，清楚该信什么、该查什么。
单次审核做准之后，再把它放进包装开发的完整工作流。包装审核的上游是产品需求和
包装设计，下游是包材采购和物料生产。接入整个产品生命周期管理的基础设施和上下
文之后，审核这个单点Skill开始从“看一张图、挑一堆错”，变成常态化的自动预审。
设计稿一提交，Skill就按规则跑一轮预检，把合规问题、NRV计算、数字矛盾，在设计
师交给下游之前就拦下来。
我们还搭建了包装管理系统，把历史上线经验沉淀下来。每一个最终上线、被市场或监
管验证过的包装，都是一份高质量样本。把这些样本的标准、驳回记录、整改闭环放进
190/243