本地视觉模型实战：自动找到AliExpress同款最低价

AliExpress的价格陷阱：你看到的价格很少是最终价格

在AliExpress上搜索一款手机充电器，结果页显示1.09美元。点进去才发现，这个价格对应的是同一条listing里一根25厘米的USB-C短线。真正的充电器售价2.55美元，而且下单时还要另付运费。这不是个例——据作者在2026年10月14日的实测，连续检查3个充电器listing，搜索页标价与实际到手价全部存在巨大偏差：标价1.09美元的实际买不到充电器，标价2.28美元和1.15美元的也一样，真实价格分别是4.09美元和3.16美元。

常用的套路有以下几种：搜索结果只展示列表中最便宜的变体，而那往往不是标题描述的商品（可能是线材、转接头，或者插头规格不同）；标价不含运费；部分价格属于“新客专享”，只有首次购买才能享受；“按价格排序”基本没有实际排序效果。

想买到真正便宜的，只能手动开20个标签页，逐一打开每个listing，自己计算商品加运费的总价。这是作者每周采购电子零件时的常态操作。

pricehunt：用本地视觉模型自动化比价

作者为此开发了一个免费Chrome扩展pricehunt。使用流程很直接：打开AliExpress商品页，选择你需要的具体规格（功率、颜色、插头类型、尺寸等），点击“Find the same thing cheaper”，扩展就会模拟人工搜索的方式，按图片和卖家标题逐个打开listing，检查所有选项，最终给出同一商品、同一规格、含运费的报价列表。

实测案例很有说服力：一个Essager 33W充电器，原始页面标价12.43美元，扩展用了约2分钟找到同款（同型号、黑色、欧规插头、免运费）8.42美元的报价。作者手动搜索的最好结果是8.89美元。

每条结果都会明确标注：是精确匹配、相似还是不同——仿冒品无法蒙混过关；价格拆分为商品价加运费；还会提示诸如“8.28美元是美国插头价格，并非你选择的规格”“1.09美元仅限新买家”“需购物车中有3件不同商品才能享受此折扣”等信息。

整个系统由运行在本地电脑上的AI模型驱动，不上传云端。它通过比较商品图片来判断是否真的是同一款产品。AliExpress账号、购物车、搜索记录全部保留在本地，搜索免费。

为什么选择本地模型

作者使用MiniCPM-V 4.7完成了全部开发和测试，这是一款开源免费的图片理解模型。扩展支持任何通过Ollama运行的视觉模型，或任何兼容OpenAI接口的服务器。作者也测试了其他模型：Gemma 4 12B在49张图片测试中正确识别45张，Gemma 4 31B正确47张，两者都出现了将纯线材误判为充电器的问题，而MiniCPM-V没有犯这个错误。

模型只被问一些基础的yes/no问题：“是同一型号吗？同一机身？同样的接口？同样的功率标识？”结果发现措辞对准确率影响巨大。当问“是同一类型的产品吗？”时，11个不同充电器中有7个被放行；换成更严格的问法后，11个中只有1个通过。

技术实现上有几个细节值得关注：使用llama.cpp并将MoE权重存放在系统内存中（--cpu-moe），显存占用仅4GB，作者用的是普通8GB显卡。匹配百分比来自“Yes”token的概率值（logprobs），如果服务器不提供logprobs则退化为简单的Yes/No判断。参考商品图片会生成256位差分哈希（先移除品牌横幅），但只有在模型确认是同类产品后，哈希匹配才被采信。

实时listing测试暴露了一些bug：59张折扣卡片中有35张的价格解析器误用了划线价；AliExpress显示免运费时扩展却加了运费；图片CDN服务器对多次请求返回403页面，且被浏览器缓存了一年。这些问题在v1.5和v1.6版本中通过分析开发者日志得到修复。

Ollama 是一个开源的大语言模型与多模态模型的本地运行框架，它把模型权重、推理引擎和一套简单的命令行/REST接口打包在一起，用户只需执行 ollama run <模型名> 即可在本地启动模型并提供兼容 OpenAI 的 API 端点。对 pricehunt 这类浏览器扩展而言，Ollama 的价值在于：扩展本身不需要内置任何推理代码或模型权重，只需向 http://localhost:11434 发送标准的聊天补全请求，由 Ollama 负责加载模型、管理显存与 CPU 内存、返回结果。这样用户可以在不修改扩展的前提下自由切换 MiniCPM-V、Gemma 等不同模型，也能把请求转发到局域网内另一台性能更强的机器，或任何实现了 OpenAI 兼容接口的推理服务器（如 vLLM、LM Studio）。

llama.cpp 则是这一链条更底层的推理引擎，用 C/C++ 编写，专门为在消费级硬件上高效运行量化模型而设计，Ollama 在底层即调用它。文中提到的 --cpu-moe 意味着把混合专家（MoE）架构中体量庞大的专家权重留在系统内存，只把注意力层等常驻部分放进显存，从而在 8GB 显卡上也能跑起原本需要更大显存的多模态模型，代价是推理速度下降。

logprobs（对数概率） 是语言模型在生成每个 token 时给出的概率分布的对数形式。普通调用只返回最终选中的 token，而开启 logprobs 后，接口会额外返回候选 token 及其对数概率，例如模型对“Yes”这个 token 给出 -0.02、对“No”给出 -4.1，两者取指数后相差极大，说明模型相当确信答案是肯定的。pricehunt 正是利用这一点把二元的 yes/no 判断软化成 0~100% 的匹配百分比：概率越接近 1，说明模型越确定两张图片描述的是同一款商品。如果所用服务器出于性能或兼容性原因不提供 logprobs，扩展就退回到只读取“Yes”或“No”这个字符串的简单判断，此时结果只有两档，无法体现模型的确信程度，遇到模糊图片时更容易误判。

手动搜索方法论：扩展如何模拟人工比价

扩展的搜索逻辑来自作者每周手动操作的六个步骤。

第一步：用你选定规格的商品图片搜索。 进入商品列表时通常先看到所有选项的拼贴图，而只展示你需要的那个规格的图片会获得更多有效结果。

第二步：只查看相同商品的listing，从最便宜的开始。

第三步：用卖家的完整标题再次搜索。 很多商品实际上没有正式名称，卖家之间互相抄袭标题。找到一个好的listing就能顺藤摸瓜找到其他。

第四步：自己排序结果。 分别对免运费和付费运费排序，不要依赖网站自带的排序功能。

第五步：逐一查看listing内的每个选项，只选你需要的那个。 33W就是33W，确保插头适配你的国家。

第六步：从新的最低报价重复以上流程，直到连续几轮都找不到更便宜的为止。

还有一个与AI无关的技巧：卖家不会自己拍商品照片，所有人都使用工厂提供的同几张图。扩展会记住商品最初的图片，当在其他商品上发现相同图片时就能识别出来——即使因为角度不同导致AI模型不够确信。不过目前只在一个充电器系列上测试过，属于“有前景但未经证实”的思路。

差分哈希（dHash） 是一种感知哈希算法，用于快速判断两张图片在视觉上是否相似，而不是逐像素比对。做法是先把图片缩放到很小的尺寸（如 9×8）并转为灰度，然后逐行比较相邻像素的明暗关系：左边比右边亮记为 1，否则记为 0，这样每行产生 8 位、8 行共 64 位，通常再组合或扩展得到更长的哈希串，文中提到的 256 位即由此而来。两张图片的哈希值做异或运算后统计 1 的个数，就是汉明距离，距离越小越相似。它对抗缩放、轻微压缩和亮度变化很稳健，但无法区分语义，所以 pricehunt 的流程是先用视觉模型判断“是否同类商品”，只有模型确认后才把差分哈希作为辅助证据——同一张工厂图被不同卖家复用时，哈希几乎完全一致，可以补足因拍摄角度或裁剪导致模型不够确信的情况。作者还会先移除图片顶部的品牌横幅再计算哈希，避免促销文字干扰结果。

面向哪些用户

这个工具适合三类人群：买“充电器”结果收到线材的普通消费者；每月需要重复采购相同零件的维修店和电子爱好者；从AliExpress进货再本地销售的小型卖家——每省下一美元进货成本就是利润。

对个人来说，省4美元可能只是一杯咖啡的钱。但如果每月需要重复采购30个零件，每个都省4美元，这就决定了一个小型副业能否持续。

AliExpress 上的同一条 listing 往往包含多个变体（variation），比如同一页面下同时售卖 25 厘米短线、1 米线、33W 充电器、65W 充电器、美规插头与欧规插头等不同组合，每个变体有各自的价格和库存。搜索引擎为了在结果页显得便宜，通常只抓取该 listing 中价格最低的那个变体来展示，而这个最低价变体常常是配件而非主商品，于是出现了“搜充电器却看到线材价格”的现象。“新客专享价”则是平台为拉新设置的折扣，仅对从未下单的账号可见，老用户即使点进同一个链接也看不到该价格，所以同一商品在不同人眼中标价并不相同。理解这两点，就能明白为何作者强调必须选定规格后再比价，以及为何按价格排序在结果页几乎没有意义。

为什么开放创新在这里很重要

AliExpress不会为你开发这种工具——它的“最优价格”功能服务于平台自身利益。一个以帮你找到更低价格为唯一目的的工具，必须让你能够信任它。你希望工具运行在自己的电脑上，能够验证甚至替换模型。

开放模型带来了三方面优势。隐私：扩展使用你的登录账号浏览，cookie、购物车、历史记录等绝不会上传。成本：一次搜索意味着数十次图片对比，如果用付费云AI，每次搜索都会产生费用；本地运行只消耗一点电费。选择权：你可以接入任何开放模型自行测试，所有测试数据都标注了对应模型。

扩展通过Chrome开发者模式加载，从Releases下载zip解压后在chrome://extensions中选择“加载已解压的扩展程序”即可。模型可在设置中选择本地Ollama或其他兼容OpenAI接口的服务器。

作者说明：代码和文章初稿由Claude在Claude Code中协作完成，作者提供了想法、搜索方法和关键决策，并用自身实际购买记录验证了全部结果。