借助 AI 从 0 到 1 搭建图像对比服务（三）：CLIP 特征提取——AI 帮我落地一个我压根没碰过的模型
一、场景：怎么让机器"看懂"一张图
上一篇方案定下来了，四只眼睛的骨架有了。这一篇开始，我们进入第一只眼睛——让机器像人一样"看懂"图，判断两张图内容像不像。
这步要用到的东西叫 CLIP。说实话，这词我之前只在网上扫过几眼，从没碰过，更别提落地了。
但这次我心里有底，因为我打算用前面说过的AI话术：先让 AI 把它讲成人话，再让它给代码，我自己验收。这一整篇，就是这个过程的实录。
二、先让 AI 把 CLIP 讲成人话
我没急着让它写代码，第一句话是问"这是啥、为啥能比图"。
我要做图像相似度对比，你建议用 CLIP。 但你先别写代码。先用人话给我讲清楚： 1. CLIP 到底是个啥，它怎么做到"看懂"图的 2. 为什么它能判断两张图像不像 3. 我这个场景（中文、工业图）该用哪个版本 我要先听懂，再动手。AI 给我的解释，我翻译一下大意：
CLIP 干的事，就是把图变成一串数字。同一张图，不管你怎么旋转、缩放，只要内容没变，变出来的数字就接近。两张图内容像不像，比这两串数字离得近不近就行——离得近就是像，离得远就是不像。
它还补了一句关键的话：这串数字代表的是"内容的意思"，不是"像素长什么样"。所以一只猫的图和一张猫的简笔画，数字也会比较近——因为意思都是"猫"。这正是我想要的：我要比的是"内容像不像"，不是"像素一模一样"。
我把这段话复述给自己听——“把图变成一串代表意思的数字，比数字远近”，通了。这就是第一关：先把原理验收过，再往下走。
关于版本，它建议用 ChineseCLIP（中文版的 CLIP），因为我的场景是中文工业图，中文版对中文场景理解更准。我采纳了。
三、给 AI 的指令：让它一步步落地
原理过了，我开始让它落地。但我不让它一次吐一坨，而是逼它一步步来，每步先说在干啥：
现在落地 CLIP 特征提取。约束： - 用 ChineseCLIP（ModelScope 的） - 每一步先讲你要干啥、为啥这么干，再给代码 - 图片输入是网址，不是本地文件 分这几步给我： 1. 加载模型 2. 把图预处理成模型能吃的样子 3. 提取特征（那串数字） 4. 算两张图的相似度你看，我又是先把规矩砸给它：讲清楚每步在干啥、用哪个版本、输入是网址。这就是"约束前置"。
四、AI 的产出 + 我的验收：四个步骤
AI 按四步给了东西，我一步一步验收。其中有两个地方我卡过，正好拿出来讲。
第 1 步：加载模型
这步没太多花样，就是把 ChineseCLIP 的"模型本体"和"处理器"加载进来。处理器是干啥的？AI 说：模型只认它自己习惯的输入格式，处理器就是负责把图"翻译"成模型能吃的样子。
第 2 步：图片预处理
这步它干了三件事：先检查图能不能用（质量校验，烂图直接报错），再把图缩放到模型要的尺寸（Resize），最后交给处理器转成模型要的格式。
第 3 步：提取特征
这步就是真正"把图变成一串数字"那一下，调用模型的一个方法（get_image_features）拿到那串数字。
第 4 步：算相似度（这里我卡过）
这一步 AI 给我抛了个我不懂的东西：归一化。它说算相似度之前，要先把那串数字"归一化"一下。
我第一次见这词，没敢直接用。我让它讲：
等等，"归一化"是啥？为什么要这一步？不归一化会怎样？先讲人话。AI 给的解释，大意是：每张图变出来的那串数字，长短可能不一样。如果不归一化，你比的不是"方向像不像"，而是"谁的数字长"，这不公平。归一化就是把每串数字都拉成一样长，这样比的就是方向，方向近才是真的像。
我拿个比喻复述给自己听：两根箭头，比它们指的方向像不像，得先把它们都拉成一样长再比，不然长的那根永远占便宜。通了。
这就是第二个关键点：遇到不懂的词，立刻停下来让它讲人话，复述通了再继续。我没跳过"归一化"直接用，要是跳了，后面相似度算出来不对，我都不知道哪儿出的问题。
五、踩的坑：相似度到底用哪个算法算
这里还有一个坑。算"两串数字离得多近"，AI 一开始给了三种算法让我选：余弦相似度（cosine）、欧氏距离（L2）、点积（dot）。
我又不懂这三个该选哪个。我让它给我讲区别：
这三种相似度算法，在我的场景里该选哪个？为什么？ 分别讲一下它们在比什么、有啥区别。别只给结论。AI 给的解释大意是：cosine 比的是方向，L2 比的是绝对距离，dot 既受方向影响也受长度影响。我的场景已经归一化了（长度都一样了），那 dot 和 cosine 就等价了；L2 也能用，但归一化后 cosine 更直观、范围固定在 -1 到 1。
最后我让它默认用 cosine，同时把三种都留着，万一以后要换。这个决策不是我拍脑袋，是听完解释后做的判断。
六、小结：AI 在"陌生技术落地"上的能力
到这一篇结束，CLIP 这块跑通了。我对 AI 在"落地陌生技术"这个环节的能力，心里有数了：
- 它特别会"把黑话讲成人话"：归一化、相似度算法这些词，它都能用比喻讲明白。这是我用它最值钱的一招——遇到不懂的词，立刻停下来让它讲，不要跳。
- 它不会替你判断"该选哪个"：三种相似度算法它会列给你，但选哪个，它只能给建议，决定得你来。你得听完解释，自己做主。
- 你得愿意"反向审"它：每一步它讲完，我都复述给自己听，通了才往下走。这一步偷懒，后面全是雷。
说白了，CLIP 这块从头到尾，我没写过任何代码，但我"全程都懂在干嘛"。这就是上一章说的那句话落地了：AI 把门槛从"我得先学会写"，降到了"我得能判断对不对"。
七、下篇预告
CLIP 这只眼睛能看"内容像不像"了。下一篇我们进第二只眼睛——照片的"出生证"：EXIF。
