这是一份提交，面向 Hacktoberfest 开源 AI 挑战赛第 2 周：副业
由 @dronzer2code、@soumyadeepdey 和 @t-rexbytes 构建。
想象一下周四下午在一个儿童寄售店（这是一个虚构的例子，不是真实店铺）。一位家长在接收台放下一个袋子：一个玩具消防车、一个木制学习塔、一个睡眠机、一些幼儿睡衣。店员每件物品大约只有两分钟。那天早上，美国消费品安全委员会发布了当周的一批约十几起召回。接收台的人都没有读过这些通知。
以下是 9 月 17 日的一则通知中相关部分，涉及 Melissa & Doug 灯光和声音消防车（在 Target 销售约 84,000 件）：
受影响的单位会有一个指针指向数字 25，另一个指针指向数字 4 或 5；或者有一个指针指向数字 26，另一个指针指向数字 3。
这些箭头其实是电池盒下方的两个日期拨盘。品牌和价格标签无法给出答案，你必须把玩具翻过来看。
对商店来说，这是一个法律问题。二手商品清理行动直接告诉旧货店和在线转售商，转售召回产品违反联邦法律。10 月 6 日，消费者报道，通过 News4Jax警告说，被禁止和召回的婴儿用品仍在 Craigslist、eBay 和 Facebook Marketplace 上列出。eBay 表示，其产品安全系统（AI 模型、关键词规则和人工审核）在 2025 年全球阻止了 2100万条潜在不安全的商品列表。此外，2026 年 Buchalter 分析指出，CPSC 已经发出了第 100,000 份下线通知，针对的是在线销售的被召回或禁止的产品。
我们为这个接收台构建了 RecallDesk。每周四它会读取最新的召回信息，核对店铺库存和 eBay 店铺，然后打印出一页：需要下架的商品以及需要翻转检查的商品。
型号编号藏在何处
在获取任何型号代码之前，我们收集了 CPSC 从 7 月 18 日到 10 月 15 日发布的所有召回信息：共 151 条，全部出现在周四，其中 48 条涉及儿童产品。将儿童召回信息追加到 2023 年（商店也会出售旧婴儿用品），总数达到 591 条。
随后，我们仅使用普通代码而未引入模型，询问标识号出现的位置。在 73/151 条通知中，型号、物品、款式或 SKU 编号仅出现在描述部分，从未出现在标题或产品名称中（儿童产品方面为 24/48）。通知 “Woodure Toddler Kitchen Step Stools Recalled” 仅提供品牌信息。您的踏板凳是否受影响，请往下看：“型号编号刻在底部踏板的底面。”
在二手市场方面，SerpApi 的 eBay 引擎检索了 237条召回信息（包括最近的 151 条以及 86 条较旧的儿童产品召回；共 235 次付费搜索，因为两条召回共用了一条缓存查询）：得出 14,068 条结果，其中 12,562 条为唯一 listings。我们统计了标题中包含召回标识的数量，不区分大小写并忽略连字符。共有 45 条匹配，分布在 13 起召回中。就儿童召回而言，2/6,901，均来自同一品牌的潜水棒。
二手卖家最不太可能输入该标识：所有 listings 中有 17.1% 为二手商品（儿童召回方面为 20.2%），但在这 45 条精准匹配中只有 9% 符合。
这一数量塑造了产品。关键词过滤能标记出那 45 条，却清除不了剩余 12,517 条。因为标题里没有型号，就毫无意义。对多数同品牌商品，实用做法是去看标签，并注意标签所在位置。
我构建的
RecallDesk 是面向转售企业的每周召回服务。商店只需一次性导入库存（CSV 或粘贴），可选地填入 eBay 卖家名称。每周四东部时间下午 2:00，CPSC 发布召回信息后，它会把每条新召回转化为结构化规格（品牌、型号、日期码、销售时间窗），将商品和在售 listings 与可能适用的规格进行对比，应用商店之前的更正，并生成一张卡片：对于 match 显示 不要出售，对于 check 显示 检查标签（并给出查看位置），而 no_match 则不显示任何内容。
A trimmed excerpt of a real card for the demo shop, from a run with the fine-tuned model on Tinker:
=== RECALL CARD card_2026-10-15_little-loop Little Loop Kids Consignment (week of 2026-10-15) ===
6 new recalls this week | 60 items checked | model: qwen3.5-4b-recalldesk-lora
DO NOT SELL (8)
x Papablic Convertible Bedside Sleeper with Play Yard (model PAPA03001AI) -> CPSC 27027
why: Listing matches recalled brand, product type, and explicitly states the recalled model number.
remedy: Stop use, destroy product, email photos for refund
x Love To Dream Portable Sleep Machine with Night Light (model LTD-SM23) -> CPSC 26798
CHECK LABEL (7)
? Woodure Wooden Toddler Learning Tower -> CPSC 26658
look for: model no. WD1764, WD1357, WD1720; sold 2024-07 to 2026-06. The model number is
engraved on the underside of the bottom step.
? Sweet Cubby Kids Loungewear Set (shirt + shorts) -> CPSC 26752
look for: lot/date code Batch No.: 272779; sold 2025-06 to 2026-05. "Batch No.: 272779" and
the size are printed on the sewn-in neck label and on the seam label.
SHOP MEMORIES APPLIED (1)
* beeeda90-bb74-4681-b1fa-bfdacd9ef8e6: Shop correction: 'HARPPA Nordi Foldable Toddler Tower' is
NOT the recalled product for CPSC recall 26651. Ours is the 2022 one - consignor's receipt s...
model usage: 179 classify calls for 60 items | ... | est. $0.0348 at Tinker list price
workflow: check-little-loop-2026-10-17-e610 memory: backboard
那张卡片上的一行是错的，而且方向是保守的。Love To Dream 召回覆盖型号 LTD-SM23 带有 日期代码 7W15TN，因此我们的规则 3 表明该项目应为 CHECK LABEL，而非 DO NOT SELL。商店可能会下架其实没问题的睡眠机器。
仪表盘使用 Next.js 搭配 BoardUI 组件。大多数店主只需要可打印的卡片。其余部分用于设置以及回答“为什么会被标记？”
任意库存行会在与其比对的召回信息旁边打开。“不匹配？请纠正” 是商店教系统了解自身库存的方式。
召回页面把 CPSC 文本以及高亮的标识符放在提取的规格旁边：
eBay 监控面向在线转卖者：
谁会付费？ 每日从陌生人处收取二手儿童商品的儿童寄售店。季节性寄售活动，周末内聚集数千件商品和志愿者工作人员。eBay 和 Poshmark 的转卖者盲目购买退货托盘。我们定价为 每店每月 15 美元 和 每场寄售活动 49 美元。对演示店的 60 件商品进行全复核花费了 179 次模型调用，成本为 0.035 美元。
这不是法律建议，也不是 cpsc.gov/Recalls 的替代品。它只能读取文字，无法看到照片中的标签，这就是 CHECK LABEL 存在的原因。仅限美国 CPSC 召回。
演示
一键部署完整栈（Agent 运行时加仪表盘），源自仓库的 Render Blueprint：
或者在本地运行。每个键均可选，缺失时会回退到标记的替代品。
git clone https://github.com/SoumyaEXE/recalldesk && cd recalldesk
cp .env.example .env # TINKER_API_KEY / SERPAPI_API_KEY / BACKBOARD_API_KEY, all optional
python -m uv venv --python 3.12 agent/.venv
python -m uv pip install --python agent/.venv/Scripts/python.exe -r agent/requirements-tinker.txt
agent/.venv/Scripts/python -m agent.dev --schedule # Temporal :7233 (UI :8233), worker, API :8000
agent/.venv/Scripts/python -m agent.run_check little-loop # run one shop's check and print its card
agent/.venv/Scripts/python -m agent.demo_crash # kill the worker mid-check, watch it recover
cd web && npm install && npm run dev # dashboard on :3000
在 macOS 或 Linux 上，解释器是 agent/.venv/bin/python。
代码
RecallDesk
在您上架之前，请先检查。 这是一项面向儿童寄售店和 eBay 转售者的每周 CPSC 召回检查。
转售被召回儿童产品在美国属于联邦违规，且被召回婴儿用品常见于二手平台。CPSC 每周四会发布大约十几起召回信息，而在自 2026-07-18 以来的 151 次召回中，有 73 次决定召回的型号仅出现在描述细则中。eBay 卖家几乎不会把它输入标题。
RecallDesk 会读取每条召回信息，将店铺库存和 eBay 列表进行对比，并为被召回的商品打印出 一张每周卡片（标注 禁止销售），对于只能由持有人判断的商品，则打印 检查标签（并标明标签的确切位置），随后直到下周四才会再次更新。
构建原则：大模型负责教学，小模型负责读取，代码负责决策。
…
共有四个目录。ml/ 目录负责数据收集、规格制定、eBay 搜索、标注、训练和评估。agent/ 目录包含 Temporal 工作流、API 和店铺内存。web/ 目录是仪表盘。shared/schema.py 是其他三部分共同遵循的唯一契约。这里的所有图表数据均来源于 ml/results/*.json、data/*/…stats.json、docs/charts/chart_data.json 或位于 agent/demo_logs/ 的转录文件。许可证： MIT。
我的构建过程
规则先行，模型后续
我们在选择模型之前就制定了决策规则。我们的三个判定在 ml/LABELING.md 中给出：
- match: 该商品即为召回产品。品牌和系列一致，且可见召回标识，或者召回涵盖该产品的每一个单位。
- check: 品牌和系列相同，但决定它的因素（型号、日期码、销售窗口、变体）不可见。
- no_match: 不同产品、被排除的型号，或仅为配件、零件或标称为“兼容”的物品。
七条有序规则用于判定。规则 7 起到了最大作用：无品牌且无召回标识的商品属于通用仿冒品，因此判定为 no_match，除非它提及只有召回产品才有的内容，例如授权角色。模型输出一个小型 JSON 对象，普通代码将其映射到卡片。
一个大型开放模型 Qwen3.5-397B-A17B 为全部 591 次召回编写了规格（耗时 100 秒，成本 2.21 美元），代码会删除公告中不存在的任何标识符。它还标记了 3,300 对（召回、列表），并一直将无品牌的仿冒品称为 “check”：首次遍历得到 1,134 次 check，在我们在提示词中加入规则 7 后得到 872 次。仍然太多，于是我们停止询问。一个简短的函数在老师违反规则时检查该规则并重写 训练目标：
def is_generic_lookalike(spec: dict, title: str) -> bool:
words = set(norm(title).split())
if brand_words(spec.get("brand", "")) & words: # names the brand -> not generic
return False
if id_hit(spec, title): # shows a recalled identifier -> not generic
return False
return len(distinctive_words(spec) & words) < 2 # fewer than 2 distinctive product-name words
它在 391 对数据上运行：训练集 357 对，测试集 34 对。所有更改均记录在 data/labeled/targets.jsonl 中。
397B 只教一次；4B 每周四工作
在 $2.20/千次检测 的情况下，397B 对每家店铺每周运行都太昂贵。于是我们用 Tinker 在其校正后的标签上对 Qwen3.5-4B（LoRA秩 32）进行了微调：共 3,007 对数据，提前固定 2 轮 epoch，批量 16 下 376 步，学习率 4.91e-4 线性衰减，仅在 JSON 上计算损失。我们的代码负责组装批次并调用 forward_backward 和 optim_step；Tinker 的 GPU 完成剩余工作，save_weights_for_sampler 返回周工作流采样所用的 tinker:// 路径。耗时约 38 分钟；保持外部损失从 0.724 降至 0.228。在约 400 token 的提示词下（教师约 1,060 token），学生的成本为 $0.19/千次检测。
Tinker 按官方价格计算：规格 $2.21，第一次标记运行被废弃 $6.80，第二次运行 $7.47，训练 $2.39，评估 $0.23，合计约 $19.10。SerpApi：使用了免费额度的 250 次查询中的 235 次。
不自我欺骗地评分
我们按 召回率 划分数据：217 对用于训练，20 对保留作为测试（其中 12 对是儿童数据），且召回率或列表未共享。每对数据在温度 0 下仅尝试一次；JSON 无效即视为错误。评估套件（bootstrap 置信区间、精确 McNemar）以及 Temporal 崩溃测试模式源自 @soumyadeepdey 之前的开源项目 TrailTruth（仓库）。
有一个注意点贯穿以下全部。 我们构建了一个盲标工具，但未及时完成人工标注，因此 293 组测试对的答案关键是 代码按规则 7 给出的教师判断，而非人工。这些得分展示了 4B 在未见过的召回上学习教师规则书的忠实程度，而非它在世界上的正确率。
| 在 293 组留出对上 | 准确率（95% 置信区间） | 误报（占 255） | 标记的风险对（占 38） | $/千次 |
|---|---|---|---|---|
| Qwen3.5-4B, 基础 | 0.512 (0.457–0.570) | 120 | 34 | $0.22 |
| Qwen3.5-4B, 基础 + 教师完整规则书 | 0.625 (0.570–0.679) | 106 | 36 | $0.37 |
| 标识符/关键词规则，无模型 | 0.864 (0.823–0.901) | 22 | 22 | $0 |
| 教师, Qwen3.5-397B-A17B | 0.884 (0.846–0.918) | 34 | 38 | $2.20 |
| Qwen3.5-4B + RecallDesk LoRA | 0.918 (0.884–0.949) | 12 | 26 | $0.19 |
教师的 38/38 全部正确是自动的，因为每个金标 check 都是其自身。它的 34 次误报正是规则 7 覆盖的那些配对。基础 4B 在 14 对上返回了无效 JSON，而其他模型均未出现这种情况。
微调使 4B 的得分从 0.512 提升至 0.918（提升 40.6 个百分点，95% CI 为 +33.8 至 +47.1，精确 McNemar 检验 p < 0.001）。相较于教师，差距（+3.4，p = 0.20）不显著：读取方式相同，成本仅约为十二分之一。对商店而言，误报列最为重要。基础模型将 255 条无害列表中的 120 条发送至 CHECK LABEL，这会掩盖真实的那些。LoRA 仅发送了 12 条。
代价：LoRA 标记了 38个风险配对中的26；其基础模型标记了34（仅在风险配对上，基础模型领先11比3，p = 0.057，不显著）。十二次漏检中有九次是一次召回，即 Sviyatp 池排水盖，根据 CPSC 的说明，“产品本身没有任何标签或产品标识”。这些列表是无品牌白色排水盖，规则 7 将其判定为 no_match，这正是学生所说的。我们的编码规则仅因为标题中共享 “dual suction outlet” 与 Sviyatp 包装上印刷的产品名称相同，才将它们保持为 “check”。另外两次漏检是无品牌婴儿玩具；其中一款是 14 只装的手指灯，对应的是召回的 28 只装和 30 只装。于是这是一次真实的权衡：通过在完全无标签的产品上信任规则 7，换来更少的误报。在 180 份儿童产品配对上，LoRA 得分 0.933，基础模型得分 0.428。
一个具体的误报：对于 TheKiddoSpace 被召回的 LED 悬浮球，eBay 返回了 “Rechargeable Hover Soccer Ball LED Lights Air Power Indoor Outdoor Toy Kids 3+”，其中没有任何品牌信息。基础模型返回 check，因为该列表“匹配品牌”。LoRA 返回 no_match：“外观通用的仿冒品：列表中既没有品牌也没有召回标识。”在 Tinker 托管的采样器上，每次请求的延迟为每个模型 2.3–2.8 秒，因此胜在成本而非速度。
查找列表（SerpApi）
每次调用使用 engine=ebay、ebay_domain=ebay.com、_ipg=50，并将教师的第一个查询作为 _nkw。响应会根据参数的哈希值进行缓存，因而不会重复付费；遇到 429 时会中止运行。商店自身的店铺使用 _sasl=<seller>&_saslop=1（该引擎没有 _ssn 参数）。卖家名称保留在原始缓存中；发布的数据使用哈希值。
每周四（Temporal）
recalldesk-weekly-sweep 是一个在每周四 14:00（America/New_York）运行的 Temporal 调度。它将在 10 月 22 日和 29 日的 18:00 UTC 触发，随后在时钟调整后于 11 月 5 日的 19:00 UTC 再次触发。每一步都是一个具有自身失败策略的活动：CPSC 会先回退获取，然后回退到已提交的快照；分类心跳会有六个并发调用，因此卡住的调用会被重试；格式错误的 JSON 会被重试，然后由规则回答并在卡片上添加备注；SerpApi 的 429 永不重试，且该步骤会记录 source=snapshot (SerpApi quota/429, not retried)。
死掉的工作进程会丢失工作吗？我们在演示店铺的 60 项（176 次比较）上启动了检查，在 12.4 秒时杀死了工作进程，此时已完成 19 项。随后三秒内没有任何运行，而 Temporal 仍显示工作流正在运行，有六个活动在进行中。一个新工作进程在 33.2 秒时重放了历史记录并发布了卡片。历史记录：60 项活动，每项只调度一次；在杀死之前已完成的 20 项被保留，进行中的 6 项获得了第二次尝试，没有任何项被完成两次。此次演练使用了规则分类器以及每项 1.2 秒的人工延迟，以确保杀死发生在运行中途。
我们随后在 Tinker 上使用真实的 LoRA 再次进行了同样的操作（工作流 check-little-loop-2026-10-17-1a16-crashdemo）。在 73.2 秒时，我们杀死了工作进程 PID 12764，此时已完成 60 项中的 18 项，且有 6 个调用在进行中。一个新工作进程在 76.5 秒时启动。卡片在 170.9 秒时发布。同样有 60 项活动，每项只调度一次：保留 18 项，重试 6 项，没有任何项被完成两次，历史记录事件共 344 条。下面的图表展示了此次 LoRA 运行；其后的 Temporal UI 截图来自演练。
仪表盘的运行页面将同一次运行标记为已恢复：
在 LoRA 工作进程中注入故障（假 CPSC 503、挂起的调用、损坏的 JSON），十项需要重试，三项由标记的回退回答，卡片对此进行了记录。自 10 月 8 日以来的手动召回清理从 CPSC 获得了 14 条活跃记录，并为每个店铺生成一个子工作流，耗时 83 秒生成了两张卡片。
记住店铺的更正（Backboard）
没有模型能知道这家店消防车表盘上显示为 24/11。持有它的员工可以。他们的 "Not a match? Correct this" 注释被存储为店铺自身 Backboard 助手的一个记忆（仅显式内存端点）。下次运行时，load_shop_memories 会根据含义而非确切文本检索它。该记忆与模型隔离，模型仍然回答 check；随后代码将判决改为 no_match，并在卡片上列出更正。在记录的运行中（LoRA 在 Tinker 上，Backboard 记忆为 063081d1-…），CHECK LABEL 从 7 项降至 6 项，DO NOT SELL 保持为 8 项。
覆盖操作需要匹配的召回编号，且与被记住项目词汇重叠度至少 60%，于是关于某塔楼的注释无法清除另一塔楼。同一次运行也应用了一个较旧的 HARPPA 塔楼更正（记忆为 beeeda90-…）。一个诚实的问题在于：长项目名称上的语义搜索表现不稳定。完整的 "Melissa & Doug Lights & Sounds Fire Truck Activity Board" 查询未返回自身更正，而较短品牌+名称查询返回了。于是每次运行现在仅使用品牌、名称和型号进行搜索，并且只列出一次店铺的记忆，将两者均通过相同的重叠守则。在记录的运行中，消防车更正通过列表生效。
它出问题的地方
- 一个 402 错误冻结了训练。 当我们的 Tinker 额度在运行中途用完时，待处理的请求未得到解决，循环一直在等待它却没有报错。现在每次等待都有 300 秒的超时，每个 epoch 结束时会保存权重。
- 老师不愿遵循规则 7。 两次提示词修改仅减少了违规次数，最终代码在训练目标上强制执行了该规则。
- Backboard 的免费额度仅覆盖内存。 我们本来计划通过 Backboard 聊天功能运行额外的开放权重基线，但未被纳入，因此这些行不在表中。
- 完整记录未产生任何内容。 其钩子按仓库安装，我们的协作会话在仓库文件夹外启动，因此不存在检查点，也没有进入该类别。
- 第一次标记运行在首次写入时崩溃 因为输出文件夹尚不存在，只需一行代码即可修复。
- 有些召回无法被任何人读取。 六则通知均以 “以下型号包含：” 结尾，且仅将列表放在 cpsc.gov 上，该站点拒绝自动请求。
为什么开放创新很重要？
小店利润空间承受不起每件商品每周一次的前沿模型费用。开放权重让我们为这一任务训练一个 4B 模型，而训练阶段是误报产生的环节；封闭的 API 只会让我们在昂贵的模型和嘈杂的提示词之间做选择。
此外，没有锁定效应：适配器导出为 PEFT 权重，店铺可在自己的 vLLM 或 llama.cpp 服务器上使用，只需通过一个环境变量选择，且无需密钥，RecallDesk 仍在其规则分类器上运行并相应地为卡片打标签。规格、划分、预测以及评估脚本都在仓库中，因此任何人都可以重新评分我们的 293 对数据，或添加我们未能获得的人工答案密钥。
隐私：RecallDesk 读取的所有内容都是公开的（CPSC 的开放 API，通过 SerpApi 获得的公开 eBay 搜索结果）。卖家用户名永不会离开被 git 忽略的原始缓存，演示店铺是虚构的。不过，默认情况下，标注、训练和推理在 Tinker 托管的 GPU 上运行；本地部署则意味着使用导出的适配器。
我的 Agent 会话
一次协调会话启动了五个并行的编码 Agent（机器学习与数据、Temporal 后端、仪表盘、图表和截屏、编写）。其第一个输出不是代码，而是 CONTRACT.md：涵盖了每种数据形状、每条 API 路由，以及由代码而非模型决定哪些内容能够到达卡片的规则。有了这个基准，仪表盘在训练仍在进行时便基于真实数据的固定装置构建完成，各部分在首次连接时即可契合。
我的第一位用户
目前尚未有付费店铺使用 RecallDesk，我们也不会把假想的情况当作客户来包装。我们希望从第一位儿童寄售店店主那里了解：如今进行召回检查需要多长时间；在没有演练的情况下，CHECK LABEL 是否清晰；他们在看到我们的方案之前会喊出什么价格；以及什么因素会让他们却步。我们怀疑是责任问题和数据录入，这会使得 POS 导入优先于任何模型工作。
以下是我们的报价，获胜者揭晓前一直有效：如果您在美国经营转售店铺或在 eBay 上进行倒卖，请将您的商品清单或卖家名称发送给我们，我们将在本周四通过 RecallDesk 处理并免费寄送卡片给您。我们将在获得许可后，把第一条真实回复添加到此节中。
奖项类别
- Tinker 的最佳用法： Qwen3.5-397B-A17B 负责编写规格和标签；Tinker 的训练 API 对 Qwen3.5-4B 进行微调（LoRA 排名 32），其采样器每周四提供服务。在 20 次未见过的召回中：准确率从 0.512 提升至 0.918（p < 0.001），误报从 120 次降至 12 次（共 255 次检测），每 1,000 次检测成本从 2.20 美元降至 0.19 美元，总计约 19.10 美元。注意事项（教师构建的答案要点，38 项风险中有 26 被标记）已在上文说明。
-
SerpApi 的最佳用法： 235 次基于 eBay 引擎的缓存搜索，覆盖 237 次召回，得到 12,562 条唯一商品列表，其中有 45 条成功找到产品；此外，通过
_sasl+_saslop=1进行每店每周扫描，且 429 秒从未重试。 - Temporal 的最佳用法： 一个感知夏令时的星期四调度表，每项活动的重试和回退策略，分类心跳，以及工作进程终止测试：共 60 项活动，其中 20 项被保留，6 项被重试，没有重复。
- Backboard 的最佳用法： 每家店铺的更正记忆，基于语义检索并由代码在召回编号和词汇重叠防护之后应用，使得员工的一行修改即可改变下周的卡片。
如果您经营儿童寄售店或季节性促销，或者在 eBay 上翻转退货，欢迎评论或给我们发消息。我们将在本周四免费为您的店铺运行 RecallDesk，并将卡片寄给您。对于其他人：曾经有哪次召回让您翻看商品以阅读标签，是什么？
由 @dronzer2code 和 @soumyadeepdey @t-rexbytes。
