今天我們要挑戰一個更貼近電商、二手拍賣、倉儲物流與資產盤點的真實落地場景——「生活照片物件屬性與規格自動化估算」。
在電商上架或個人二手交易（如旋轉拍賣、蝦皮、Facebook Marketplace）中，最繁瑣的流程就是丈量尺寸、判斷材質、撰寫商品規格與下 SEO 標籤。今天我們要在 Google AI Studio 中，實測如何運用專屬的提示工程技巧，讓 AI 僅憑一張隨手拍下的日常生活照片，就能自動進行「空間尺度參照推估」、「材質與成色判斷」，並直接產出可供系統入庫的 JSON 屬性標籤！
為什麼直接問「這東西多大」容易失真？
單張照片本質上是二維平面投影，缺乏三維深度資訊與絕對比例尺。如果隨便傳一張馬克杯或背包照片並問「這多大？」，模型往往會隨意猜測，產生嚴重的尺寸幻覺。
要讓大模型具備「空間幾何估算」與「精準屬性萃取」能力，提示詞必須引入「相對參照物錨定法（Reference Anchoring）」與「屬性分類約束」。
物件解析提示架構：SPARK 屬性分析法
針對實體物品照片，提示詞需涵蓋五個維度：
S（Spatial Estimation，空間尺度推估）：尋找畫面中的已知參照物（如鍵盤鍵帽、磁磚縫隙、手機、插座、手部等），推導目標物件的長/寬/高或容量估計區間。
P（Physical Properties，物理屬性）：分析材質（霧面塑料、陽極氧化鋁、陶瓷、皮革）、主色調（提供 Pantone 或 Hex 估計值）與表面紋理。
A（Appearance Condition，成色與外觀狀況）：評估磨損痕跡、刮痕、氧化、灰塵或使用感（適用於二手鑑定）。
R（Relevance Tags，電商與搜尋標籤）：產出 5～8 個符合 SEO 與電商搜尋邏輯的分類標籤。
K（Key JSON Output，規格化交付）：強制以巢狀 JSON 交付，確保資料庫可以直接寫入。

prompt:
【角色】你是一位資深的電商商品目錄經理（Catalog Manager）與二手數位商品鑑定工程師。
【任務】請對上傳的實體物品照片進行詳細的空間尺度推估、材質分析與屬性標籤萃取。

【分析規範：SPARK 架構】

1. 【空間尺度與容量估算】

   • 尋找畫面中的已知物件（如桌面紋路、鄰近線材、手部或周遭物品）作為視覺比例尺基準。
   • 推估目標主體的「估計長度、寬度、高度（cm）」或「估計容量（ml）」，並給出合理區間範圍（例如：高約 15-18 cm）。
   • 說明估算所依據的視覺參照邏輯。

2. 【物理屬性與成色判定】

   • 材質判斷：表面材質（如磨砂塑料、金屬拉絲、布織等）與工藝特徵。
   • 顏色分析：主色調與輔色調（附帶估計之色系名稱）。
   • 二手外觀成色評級：依據磨損、刮痕、反光狀況給予評級（如：全新 / 95新極輕微使用痕跡 / 良好）。

3. 【電商規格與 SEO 標籤】

   • 提煉 5～8 個繁體中文電商搜尋標籤（Tags）。

【交付規格】
請先以簡明的 Markdown 列點整理核心結論，最後將所有抽取出的規格彙整為標準 JSON 格式輸出：
{
"item_category": "品類",
"estimated_dimensions": {
"height_cm_range": "...",
"width_cm_range": "...",
"depth_cm_range": "..."
},
"physical_attributes": {
"primary_material": "...",
"color_palette": ["..."],
"finish_type": "..."
},
"condition_rating": "...",
"ecommerce_tags": ["..."]
}
今日結語建議
多模態技術的真正魅力，在於將「真實世界的實體特徵」無縫映射為「數位世界的結構化數據」。
透過 SPARK 框架，Gemini 3 Flash 在平板相機的輔助下，不再只是一具辨識「這是一隻滑鼠」的分類器，而是化身為具備空間比例感、材質感知與電商分類邏輯的智慧盤點助理。只要隨手一拍，繁瑣的商品上架與規格登錄就能在 5 秒內搞定，完美打通虛實整合的生產力閉環！