一枚古钱币到底值多少钱很多刚入门的收藏爱好者会做同一个动作拍张照片发给 AI 大模型问“这枚钱币是真的吗能值多少”结果往往不太理想。模型要么给出模棱两可的回答要么一本正经地把一枚普通宋钱描述成“稀有母钱”。问题出在哪里不是大模型“眼神”不好而是鉴定这件事本身就不是“看一眼图”就能完成的。一枚钱币要从材质、包浆、字口、边齿、重量、直径多个维度综合判断还要结合历史背景和存世量信息这本质上是一个多步骤的推理流程而不是一次问答。这也是最近“AI 钱币鉴定”类工具真正值得研究的原因。它没有停留在“多模态模型看图说话”的层面而是把 Claude Agent 的任务编排能力和智谱 GLM-5.1 的多模态视觉理解能力组合成了一个完整的自动化工作流Agent 负责规划步骤、拆解任务、组织证据链GLM-5.1 负责真正“看懂”钱币图片里的细节。与其说这是一次 AI 鉴定的体验不如说这是 Agent 工程在垂直行业落地的一个典型范本。这篇文章会从场景痛点出发先拆解 Claude Agent 和智谱 GLM-5.1 各自承担的角色再给出一个最小可运行的 AI 钱币鉴定流程包括环境准备、核心代码、运行验证和常见坑点。如果你正在研究 AI Agent 应用开发或者想了解“两个模型如何配合完成一个复杂的真实任务”这篇文章应该能给你一些可以直接落地的思路。1. 这篇文章真正要解决的问题先说一个很多开发者容易产生的误解以为“AI 钱币鉴定”就是把钱币图片丢给一个多模态大模型让它输出“真/假/估价”。如果你真这么做会发现结果极不稳定。同一个模型换一个光源、换一个角度结论可能就不一样你追问一句“为什么”它给出的理由又可能是编造的。原因在于鉴定是一个流程不是一个动作。专业评级师拿到一枚钱币会先看整体形制再看文字风格然后检查包浆和锈色接着测重量和直径最后还要对照已知版别的特征才能给出结论。这个过程涉及多个知识域和多种判断依据。如果只让模型“看一遍就回答”它会跳过很多关键步骤或者用猜测填补信息空白。本文要解决的就是这个问题如何把“钱币鉴定”这个复杂任务拆解成可编排的步骤让 Claude Agent 承担“主持人”的角色负责流程推进让智谱 GLM-5.1 承担“眼睛”的角色负责视觉特征提取最后合成一份有依据、可追溯的鉴定结论。换句话说本文真正探讨的不是“AI 能不能鉴定钱币”而是“用 Agent 工作流来组织多模型协作能不能让 AI 在垂直领域的判断更可靠”。这两个问题深度完全不同。适合阅读这篇文章的读者有三类正在学习 Claude Agent 或类似 Agent 框架的开发者想找一个真实可落地的项目练手。想了解智谱 GLM-5.1 多模态能力边界的 AI 应用工程师。对“AI 收藏品鉴定”方向感兴趣的产品经理或技术决策者。对于纯钱币收藏爱好者这篇文章里的代码部分可能偏硬核但其中关于 AI 判断逻辑和边界的内容仍然有参考价值。2. 核心概念Claude Agent 与智谱 GLM-5.1 分别解决什么问题要理解这个项目先要搞清楚两个主角的定位。它们不是“两个大模型”这么简单而是两个不同层级的 AI 组件。2.1 Claude Agent流程的大脑负责编排和推理Claude Agent 不是一个单独的“模型按钮”而是一种以 Claude 模型为基底、以任务目标为导向的执行体。你可以把它理解成一个“不太聪明但非常有耐心的实习生”你交给它一个目标它会自己拆解成步骤调用可用的工具执行操作然后把结果带回来继续推理。在整个过程中Agent 不需要你每一步都下达指令它能根据中间结果动态调整下一步动作。在 AI 钱币鉴定场景里Claude Agent 负责四件事分析用户上传的钱币图片决定需要调用哪个视觉模型。把“鉴定”这个大目标拆成子任务先识别形制、再提取文字、再判断品相。汇总视觉模型的输出结合钱币知识做推理生成鉴定结论。保持多轮对话记忆如果用户追问“这一枚和常见版别有什么区别”Agent 能基于之前的分析结果继续回答而不是重新看一遍图。简单说Claude Agent 的价值在于“编排”它解决的是“知道用什么工具、按什么顺序用、怎么把结果组合起来”的问题。2.2 智谱 GLM-5.1视觉的眼睛负责看懂图片智谱 GLM-5.1 是多模态大模型支持文本和图片的联合理解。在钱币鉴定这个任务里它是真正“看”图片的模块。它能做哪些事识别钱币的基本类别例如“方孔圆钱”“机制币”“银元”等。提取币面上的文字和图案信息。观察包浆颜色、磨损程度、边缘状态等外观特征。给出结构化的视觉描述供 Agent 做进一步推理。从材料看GLM-5.1 的优势在于中文理解和多模态能力比较均衡。钱币上的文字很多是篆书、楷书、隶书甚至少数民族文字对 OCR 和古文识别都有要求。GLM-5.1 对中文语境的把握更自然在描述“宣统元宝”“乾隆通宝”这类典型钱币时中文文化背景的知识参与度更高。2.3 为什么不能只用一个模型这是理解整个项目的一个关键判断。如果你只用 Claude它会“看不见”图片内容或者看得不够细毕竟它的强项是长文本上下文和工具编排而不是专门的视觉特征提取。如果你只用 GLM-5.1 这类多模态模型它能看到图片但缺乏“先做A再做B再做C”的流程管理能力——它更像一个被动的问答工具你问什么它答什么不会主动拆解任务。两者组合之后分工非常清晰环节Claude Agent智谱 GLM-5.1任务理解负责读取用户意图拆分鉴定步骤不负责视觉特征提取不直接负责但会调用负责识别图案、文字、包浆推理判断负责结合多轮信息做结论辅助只提供视觉特征多轮对话负责维护上下文不负责报告生成负责组织成结构化文本不负责这个分工正是当前 Agent 工程的主流模式大语言模型做“大脑”多模态模型做“感官”通过工具调用把它们串起来。这也是“AI 钱币鉴定”这个案例真正值得学习的工程范式而不仅仅是“模型很厉害”。3. AI 钱币鉴定的整体工作流设计开始写代码之前先设计工作流。一个完整的 AI 钱币鉴定流程应该是这样的3.1 鉴定流程拆解第一步用户上传钱币照片。第二步Claude Agent 判断任务类型。如果用户只是问“这是什么钱币”Agent 会走“识别模式”如果用户问“这枚钱币值多少钱”Agent 会走“鉴定模式”需要提取更多特征并组织更复杂的结论。第三步Agent 调用智谱 GLM-5.1 的视觉接口传入图片。这步是核心Agent 会把“帮我看看这枚钱币”转成一次结构化的视觉请求要求 GLM 返回钱币类别、文字内容、品相描述等字段。第四步Agent 拿到 GLM 返回的视觉特征后在外部知识库或内置知识中检索相关版别信息。这一步可以用向量检索实现也可以退一步用 Agent 自身参