我做了个AI定位工具,上传照片就能知道她在哪

不知道你们有没有遇到过这种情况，就是在社媒看到有博主发了一些旅游照片，自己也想去，但不知道具体在哪个地方。

评论区蹲不到答案，私信更是杳无音信。

正好看到阶跃星辰最近好像更新了大模型，最新的step 3.7 flash出厂自带视觉和搜索能力。 

于是我把它接到了Claude Code里，并把照片截图丢给它分析了一波。

OK，知道了，是希腊，等我有钱了我也一定要去这里旅游

不过，既然我有这种想法，那就说明大家也可能有类似想法，那我为什么不直接把这个功能做成一个网页工具呢？  

只需要在网站上传一张照片，网站就会调用step 3.7 flash这个大模型识别图片内容，找出一些标志物，再通过网络搜索确定具体地点，最好还能给出经纬度和旅游的花费建议。

我相信一定会有很多人喜欢这个工具，说干就干！

 项目开发 

我是一个比较有格调的人，所以我希望step 3.7 flash能按照我设计的UI来制作这个网站的前端页面。  

这是我的设计：

预计三十年内没有人类能看懂我这个草图。

虽然大家看不懂这个设计，但我相信step 3.7 flash一定看得懂。事实上，它确实看懂了，还真给我还原出来了：

大家对比一下，结构是不是一模一样。虽然我画得丑了一点，但AI还是很好地根据我的想法还原了出来

接下来看一下开发流程，下面是我使用的提示词，因为内容有点长，我就直接截图给大家看了：

我使用Claude Code进行开发，所用模型就是阶跃星辰的step 3.7 flash，正好试一下它在编程场景下的能力如何。  

直接发送提示词，这个网站很快就完成了。大家可以看一下时间，仅仅使用了1分20秒：

说实话，这个反应速度让我还挺惊喜的，因为有些Agent任务对响应速度要求比较高，太慢的话，后面的任务等不到前面产出的结果，就容易报错。

感觉这个模型还挺适合在Agent场景中作为主力模型来执行任务。

不过可惜的是，还是出现了一个小BUG：我上传照片并开始扫描后，页面会重复显示“AI正在分析”，一直不出结果。

分析了一下，模型配置没啥问题，因为它在Claude Code中的识别速度还是很快的。  

应该是流程上的BUG，我们直接把问题反馈给它，让它进行修复： 

当然，事情也不是一帆风顺的。修完之后，倒是不再一直显示“正在扫描”了，但又变成了识别失败，显示空信息。  

然后又进行了一轮修复。我把控制台的信息发给它作为参考后，它成功定位到了问题。  

现在网站已经可以正常使用了，给大家看一下效果：

怎么样，效果还不错吧。

首先，功能是完全实现了：可以显示定位，具体到某个镇子和坐标。还会给出照片的视觉特征，作为参考依据。

最后还会预估这趟旅行可能产生的花费。  

功能其实是次要的，因为我们在开始开发这个网站之前，就已经验证过step 3.7 flash这个模型可以完成根据照片定位坐标的任务。

开发这个网站，只是为了提供一个更易用的前端操作页面。  

现在我想让这个界面更炫酷点，为此我设计了一些动态效果，它基本都实现出来了。

图片悬停在上传框时的脉冲呼吸灯效：

图片识别时的照片激光扫描效果：

识别完成后的地图飞入以及价格滚动上升的效果：

其实，vibecoding在处理前端页面这件事上一直是个弱项。

我之前在社交媒体上看过一句话，大概意思是：用vibecoding做功能感觉像魔法，做前端感觉像驴拉磨。

反正意思就是做前端的效率不够高。

但没想到，step 3.7 flash这个模型一次就完成了我需要的页面，而且无论是结构还是动效，都很精准地满足了我的要求。

我们之前还测试过step 3.5 flash，感觉这次的体验比上次又提升了不少。 而且这次升级还增加了搜索能力。

其实我一直觉得，大模型不具备搜索能力这件事挺抽象的。明明只是一个小功能，但很多大模型都没有，还得自己额外配置搜索能力。

step 3.7 flash增加了搜索能力，确实直接方便了开发者和Agent场景下的用户，用起来也方便不少。

 项目优化 

后来我又发现了一个体验上不太舒服的地方。

在识别成功一张照片之后，页面上只有“重新扫描”按钮。如果这时候想换一张照片识别，就只能刷新网站。  

所以我们需要再添加一个重新上传的按钮。

OK，一次成功，现在“重新上传”的按钮也有了。

实际操作上，功能也没问题：

 识别测试 

OK，现在无论是前端还是功能，都完全实现了，接下来我们要测试一下它识别的精准度如何。

这里我准备了10张旅行照片，依次使用网站进行识别，看看最后的结果如何。

但说实话，一张一张地识别，我嫌累。所以我打算直接让step 3.7 flash这个模型来帮我执行测试的任务。

因为这个模型还支持GUI操作，可以模拟人类操作图形界面。有了这个功能，它就可以通过模拟点击的方式完成测试。

看一下正在操作的视频：

我一只手拿手机录像，另一只手在屏幕前结印，两只手都没有操作，整个过程都是step 3.7 flash在完成测试。

大家来看看，测试的识别准确率怎么样：

 总结一下 

开发完这个项目，我才发现step 3.7 flash这个模型支持的能力好像多得有点离谱。  

GUI操作、图像识别、网络搜索、编程，这些我们在Agent中经常用到的能力，它一个模型就全搞定了。

要知道，Agent任务又不是一次知识问答，问完就结束了。Agent任务需要任务拆分、工具调用、多模态理解、搜索等多个步骤协同完成。

而step 3.7 flash是真的挺适合Agent场景，基础智商在线、能力又全、性价比还高，值得一试。

对了，目前这个项目还有点东西需要优化，如果点赞转发多的话，过两天我就部署到云端给大家一起玩玩，API我也包了(只要在我能力承受范围内)

官网：platform.stepfun.com