为什么是端侧
云端识别不是不能做，是在门店和产线这类现场，它每多一跳就多一个故障点。我们把推理放到设备本地，换来三件确定的事。
断网可用
门店宽带抖动、产线不许联网、园区内网隔离——这些都是常态。端侧推理不依赖外网，掉线只影响报表，不影响当下这一单。
数据不出场
顾客影像、产线工艺画面属于敏感数据。识别在本地完成，只把结构化结果上报，原始画面不离开现场设备。
一套底座
识别、比对、检索共用一套端侧引擎与模型工厂，换场景是换模型与流程，不是重做一套系统。
产品
有人要集成到自己的 App 里，有人要一台开箱能跑的盒子，有人要连设备一起管起来。我们把这三种都做了。
客户案例
下面按行业写做法与交付形态。客户名称与规模数据在取得授权后公开，未授权的一律不写。
面对的是现烤、无条码、同款不同价的商品；门店网络不稳定，收银台不能等。做法是把商品库和识别模型放到收银设备本地，单据生成与交易留痕也走本地。
交付形态：端侧 SDK + 收银客户端 + 商品库维护流程
反光、油污、小缺陷在整图上几乎看不见，靠人眼抽检既慢又不稳。做法是固定成像方案 + 分区检测 + 按缺陷类型分别设阈值，判定在产线旁的盒子完成。
交付形态：成像方案 + 端侧检测模型 + 判定与留图规范
几千路摄像头在那里，出事时却翻不出来。做法是先解决接入与存储的结构化，再按事件检索，把"有没有发生"变成"在哪一路、哪一秒"。
交付形态：视频接入与存储 + 分析服务 + 检索界面
检查靠人记录、事后无凭据。做法是把检查项固化成端侧判定流程，结果带时间与画面摘要上报，异常当天可见。
交付形态：晨检终端 + 端侧判定 + 云端统计
资源
我们擅长的不是讲 AI 能做什么，是把方案落进真实的门店和产线。这几份白皮书写的都是工程细节：怎么选点、怎么成像、怎么定阈值、怎么验收、怎么运维。
