用Gemini搞定双面名片合并：别再写死规则了

把一张名片的正反两面当成两个人存进数据库，这种低级错误在做 OCR 识别时简直太常见了。尤其是很多名片一面中文一面英文，如果死磕代码逻辑去判断“这两张图是不是同一个人”，大概率会写出一段让自己想辞职的垃圾代码。

最聪明的做法其实是：把两张图直接怼给 Gemini，让它自己去合并。

这里的核心技巧不是在 Python 里写 if-else 合并字符串，而是利用大模型的多模态能力，在一次 Request 里发送两张图片，直接输出最终的 JSON。

实操逻辑：
1. 识别第一张图后，先别急着存库，问用户：“还有背面吗？”
2. 如果用户说有，就进入等待状态（记得设个 5 分钟超时，不然用户跑了，你的状态机就卡死了）。
3. 拿到第二张图后，把两张图一起打包发给 Gemini。

关键代码实现：

def generate_json_from_two_images(
 front_img: PIL.Image.Image,
 back_img: PIL.Image.Image,
 prompt: str) -> object:
 model = GenerativeModel(
 "gemini-1.5-flash", 
 generation_config={
 "response_mime_type": "application/json",
 "response_schema": NAMECARD_SCHEMA
 },
 )
 front_part = Part.from_data(
 data=pil_to_bytes(front_img), mime_type="image/jpeg")
 back_part = Part.from_data(
 data=pil_to_bytes(back_img), mime_type="image/jpeg")
 # 直接把 prompt 和两张图一起扔进去，让模型在语义层面完成合并
 response = model.generate_content(
 [prompt, front_part, back_part],
 stream=False,
 labels={"client_id": "namecard"}
 )
 return response

为什么这样有效？

• 语义合并 vs 字符串拼接： 用代码把 "张三" 和 "Zhang San" 合并成 "张三 (Zhang San)" 极其麻烦，但对 Gemini 来说就是秒懂。
• 减少冗余请求： 不需要先识别 A 再识别 B 最后合并，一次调用直接出结果，响应速度更快。

至于提示词怎么写，重点在于告诉它：“你现在面对的是同一张名片的正反两面，请提取所有信息并合并成一个完整的 JSON 对象”。

你是一个专业且精准的名片识别专家。
我将为你提供同一张名片正反两面的照片。
请你综合分析这两张图片中的所有信息，提取姓名、职位、公司、电话、邮箱等字段。
如果两张图片中出现同一信息的不同语言版本（如中文名和英文名），请将它们合并在同一个字段中，格式为“中文名 (English Name)”。
请严格按照 JSON 格式输出，不要包含任何解释性文字。

这种工作流比写几百行正则表达式要优雅得多，也稳定得多。