1 前言
货拉拉一直致力于优化流程，提升用户体验，用心服务广大用户群体。平台提供了丰富的车型供用户进行选择，满足大家日益增长、不断变化的的货运需求。我们期望每一次搬家、拉货都能让用户满意，助力提升用户工作与生活的效率。
然而，在持续的服务沟通过程中，我们发现很多新用户对如何叫车感到困惑、无从下手。虽然每个车型都标注了尺寸信息，但用户往往难以准确判断自身货物的体积和特殊需求，导致在众多车型中难以抉择，甚至可能叫错车辆，打乱货运计划。无论对用户还是平台都会带来时间、甚至金钱上的损失。这不仅是货拉拉经常遇到的问题，也是行业的痛点。如何根据货物匹配正确的车型，一直以来都备受行业关注。
好消息是，我们创新推出了"拍货选车"解决方案。依托迅猛发展的AI技术，我们实现了用户只需用手机摄像头对准货物"拍一拍"，后端强大的算法即可智能分析，为用户精准推荐最合适的车型。这既大幅提升了用户、司机与平台三方的效率，又显著优化了用户的使用体验。选车难题，轻松化解！
2 选车新体验：轻松一拍，精准匹配
2.1功能入口：触手可及
在货拉拉APP首页右上角 ，点击扫一扫按钮 ，清晰可见"拍货选车"图标（如下图所示）。点击该按钮，即可一键开启智能选车之旅。
2.2 操作步骤：简单三步，高效便捷
1.进入拍摄界面： 点击入口后，系统将自动启动手机摄像头。此过程需要用户授予相机权限。
2.拍摄货物： 将手机对准需要搬运的货物，确保其在取景框内清晰可见，点击拍摄按钮。对于散件较多或体积较大的货物，目前支持最多拍摄3张图片，力求全方位展现货物信息。
3.获取推荐： 拍摄完成后，系统将图片上传至云端。仅需几秒钟，强大的AI算法便会完成分析，在屏幕上清晰展示推荐车型及其关键信息（如车型尺寸、载方、载重）。用户可直观参考此建议，快速完成车型选择并下单。
UI流程如下图所示：
2.3 优化体验的实用贴士
为了更好的选车体验，操作上需要注意以下几点：
1.拍全货物是关键： 确保单张照片尽可能涵盖所有待运货物。若货物堆叠或分散，可多次拍摄（最多3张），但每张照片都应努力呈现货物的主体部分，避免只拍到局部。
2.保持背景简洁： 拍摄时尽量选择干净、少杂物的背景，减少无关物品（如行人、其他家具、宠物等）入镜，有助于AI更专注于识别目标货物。
3 拍货选车
3.1挑战：传统选车的痛点
新用户选车的主要困扰源于对货物尺寸和特殊搬运需求的模糊认知。面对车型列表，用户往往只能凭感觉"猜"选，极易出错。这导致司机接单后发现车辆无法满足需求（如装不下等），被迫要求用户取消订单。用户宝贵时间被浪费，行程被打乱；司机也错失了接单机会，影响收入。此外，即使用户已知晓基础尺寸，五花八门的实际搬运场景（如精密仪器需防震、超规物品需特殊空间、重物需尾板）也常让用户在选择时犹豫不决或判断失误，最终叫车失败。
3.2解决方案：AI双维度智能匹配
货拉拉"拍货选车"功能，正是利用AI技术，特别是先进的视觉识别与语义理解能力（结合大型视觉语言模型），从根源上解决上述痛点：
1.精准尺寸估算： 核心突破在于通过用户拍摄的货物图片，AI能智能估算出货物的长、宽、高等尺寸方面的数据，解决了用户"量不准"的核心问题。
2.理解搬运需求： 不仅如此，AI还能结合图像信息，识别货物的潜在属性。如是否是特殊防护物品，是否有特殊搬运需求等。这相当于将用户的"隐性需求"显性化。
3.智能车型匹配： 基于精准的尺寸估算和对货物特性的理解，系统结合平台庞大的车型数据库（包含尺寸、载重、配置如尾板、车厢类型等详细信息），运用智能算法进行多维度匹配，最终为用户筛选出既能装得下、又能满足特殊搬运要求的最优车型推荐。
功能结构如下图所示：
3.3技术实现：视觉语言大模型驱动的一体化智能决策
在人工智能快速发展的今天，大模型技术已成为推动新一轮科技变革的核心驱动力。这类技术基于Transformer架构，通过海量数据和巨大参数量训练，展现出强大的语言理解、内容生成和逻辑推理能力。从早期的GPT到如今的多模态大模型，技术的发展不仅体现在模型规模的扩大，更在于算法优化、效率提升以及应用边界的不断拓展。基于大模型的应用技术构建了丰富的生态体系。在技术架构上，检索增强生成（RAG） 通过结合外部知识库来提升回答的准确性与时效性；智能体（Agent）框架 让模型能够调用工具、执行复杂任务；微调与提示工程 则让通用模型快速适配特定领域需求。在众多与大模型交互的技术中，Prompt（提示）技术 因其高效率、高灵活性的特点，成为连接用户意图与模型能力的关键桥梁。通过精心设计的提示词，我们可以引导模型完成特定格式的内容生成、执行多步骤推理。优秀的Prompt工程能够充分发挥模型潜力，将通用能力转化为适用于行业特殊背景的解决方案。
基于上述技术背景，拍货选车功能以Prompt为核心构建框架，对多模态输入进行一体化处理。 通过结构化的Prompt模板、动态的上下文管理和自适应的提示优化策略，以及独属于货运的行业知识体系构建了一个灵活、可扩展的大模型应用系统。
3.3.1 货运垂类功能适配
通用大模型虽然具备强大的基础能力，但在高度专业化的垂直领域，当问题约束条件变得具体且复杂时，模型往往难以给出符合预期的稳定输出。货拉拉货运场景正是这样一个极具挑战性的专业领域------需要处理无限种类的货物场景、提供合理的装箱规划并推荐最优车型。
实践验证表明，即使采用精心设计的Prompt结构和内容，直接要求模型解决问题仍难以获得稳定可靠的结果。模型输出往往存在发散性，无法满足产品化要求。因此，如何有效引导大模型输出合理结果成为关键突破点，这已超越了简单的Prompt工程范畴。需要为prompt这个躯体赋予一个灵魂。
针对货运场景的特殊性和大模型的技术局限性，我们面临几个核心挑战：
1.用户拍摄的货物种类极其广泛，几乎涵盖所有可见物品；
2.用户交互极度简化，仅通过图片传达信息，需要深度推理隐含的搬运需求；
3.多货物组合搬运本质上是NP难的3D装箱问题，学术界尚无最优解；
4.模型幻觉现象在专业要求越具体时越严重，Prompt复杂度与幻觉风险正相关；
为解决上述挑战，我们设计了多层级引导逻辑框架，体现在prompt的编写之中：
①多场景货物分类体系
②货物属性特征识别机制
③智能货物组合规划算法
④关键问题复述机制
⑤输出结果双重校验体系
⑥Prompt精简优化策略
思维导图如下：
其中前两点重点解决货运垂类场景适配问题，中间三点针对货物组合和幻觉抑制，最后一点确保整体输出的稳定性。通过将这套引导逻辑深度集成到Prompt架构中，模型已能稳定输出符合预期的结果，达到产品上线标准。
3.3.2 数据处理与知识构建
功能验证和持续优化离不开高质量的数据支撑。与通用大模型需要海量评估数据不同，我们的场景聚焦于解决特定问题，数据集规模可以更加精准和高效。针对拍货选车场景，我们首先需要定义数据的表现形式和内容组成。
数据构建面临双重挑战：一方面货物种类无限多样，无法构建全类别数据集；另一方面，从几张用户图片中无人能给出绝对"正确"的车型推荐------所谓正确需要在空间利用率、装载可行性和特殊需求满足之间找到最优平衡。
基于用户行为分析和货物分布特征，我们构建了分层抽样数据集：按用户行为将完成订单和取消订单数据分离，对完成订单以用户实际选择车型作为参考标准，对取消订单则综合完成订单数据进行重新标注。在对取消单场景调优时可以对比完成单场景来监督其是否有退化现象。同时按货物分布优先覆盖高频货物场景，确保数据集的代表性和实用性。如图所示：
3.3.3 功能调优与验证体系
随着货物种类持续增加和模型技术不断进步，功能需要建立持续的调优验证机制。拍货选车功能面临两个核心问题：
1.模型输出随机性控制：同一需求可能产生不同的解决方案
2."正确"车型的模糊性定义：难以确定绝对最优推荐
为优化功能稳定性，我们将模型temperature参数设为最低，理论上消除输出随机性。但由于集群批量推理中不可避免的浮点数精度问题，模型输出仍存在一定波动性。相同的货物场景可能出现不同的车型推荐，这就需要建立输出稳定性评估体系，确保多次输出大概率落在目标区间内。对单个需求进行多次重复评估，可以有效衡量其稳定性。
针对标注不确定性的挑战，我们将模型输出目标从单一车型匹配转换为区间匹配和分层统计，通过准确率区间评估替代绝对正确性判断，既保留了丰富的反馈信息，又为持续调优提供了数据基础。
结合上述技术特点，我们建立了多维度的功能调优框架，确保拍货选车功能在保持技术先进性的同时，具备良好的实用性和稳定性。
4 总结
"拍货选车"功能是货拉拉将前沿AI技术应用于提升用户体验的典范。它打破了用户认知货物尺寸和需求的门槛，让选车变得前所未有的便捷、精准、可靠。该功能现已面向全国用户开放，兼容性极佳，只要手机能正常使用摄像头即可体验。AI技术日新月异，货拉拉将持续投入研发，不断优化算法模型和用户体验，为用户带来更直观、更智能的选车方式，让每一次货运都轻松无忧。
范文洋 AI图像算法工程师-智能平台部