人脸识别需明确技术栈、输入来源和处理逻辑三要素：指定opencv/dlib/insightface等库，限定摄像头参数与预处理步骤，并要求输出可验证行为，否则生成代码不可运行。
☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 免费无限量使用 DeepSeek R1 模型☜☜☜
人脸识别不是调个 face_recognition 就完事
千问AI（尤其是Qwen3.5和QVQ-72B-Preview）能写人脸识别代码，但直接让它“做人脸识别”大概率生成不可运行的伪代码——因为没指定是用OpenCV做实时检测、用dlib做关键点对齐，还是用FaceNet做向量化比对。模型不会主动区分这些技术路径，它只响应你给的明确约束。
- 常见错误现象：
ModuleNotFoundError: No module named 'face_recognition'或cv2.error: OpenCV(4.10.0) ... error: (-215:Assertion failed) src.size().height > 0，本质是输入图像为空或依赖未声明 - 必须在提示词里锁定技术栈：比如“使用
cv2.CascadeClassifier加载haarcascade_frontalface_default.xml，不使用深度学习模型” - 若需高精度（如活体检测、遮挡鲁棒性），得明确要求调用
insightface或deepface，并补充安装命令：pip install insightface - QVQ-72B-Preview 虽支持图像理解，但它不生成可执行代码；真正写代码要靠Qwen3.5-Coder，且需强调“输出纯Python，无解释文字”
用千问写人脸检测脚本，三要素缺一不可
实测发现，漏掉任一要素，生成的代码要么跑不起来，要么逻辑错位。不是模型能力问题，是你没给它可落地的“施工图”。
-
输入来源必须具体：不能说“从摄像头读”，而要写“使用
cv2.VideoCapture(0)，帧率限制为15fps，超时3秒自动退出” -
处理逻辑必须原子化：比如“每帧先转灰度图，再直方图均衡化，再调用
detectMultiScale，参数scaleFactor=1.1、minNeighbors=5”——这些数值不写，AI可能填默认值导致漏检 -
输出行为必须可验证：要求“在检测到人脸时，在原图上画绿色矩形框，并打印坐标
(x, y, w, h)；无人脸时不报错也不打印”，否则容易生成带assert或sys.exit()的调试代码
cv2.CascadeClassifier 和 insightface.model_zoo.get_model 别混着用
前者是传统Haar特征+级联分类器，轻量但对侧脸/遮挡敏感；后者是基于RetinaFace的深度学习模型，需要GPU和显存，但召回率高。千问AI不会自动帮你做技术选型，它只会按你写的库名硬编码。
- 性能影响：用
cv2.CascadeClassifier在CPU上能跑30+ FPS；用insightface在无GPU时单帧可能卡顿2秒以上 - 兼容性坑：Qwen3.5生成的
insightface代码常默认用cuda=True，但你的机器可能只有CPU——必须加提示：“所有模型加载强制设ctx_id=-1” - 路径陷阱：Haar模型文件
haarcascade_frontalface_default.xml需手动下载，千问不会告诉你放哪；正确做法是在提示词里写：“从https://raw.githubusercontent.com/opencv/opencv/master/data/haarcascades/haarcascade_frontalface_default.xml下载并保存至./models/”
真实项目里最容易被忽略的一步：预处理校验
千问生成的代码几乎从不包含图像合法性检查，但实际运行中None输入、尺寸为0、通道数不对（如RGBA图传给只认RGB的模型）才是报错主力。
- 必须追加提示：“在
cv2.imread后添加if img is None: raise FileNotFoundError(f'无法读取{img_path}')” - 对视频流更要加帧校验：
ret, frame = cap.read(); if not ret: break，否则frame为None传给检测函数必崩 - QVQ-72B-Preview虽能看懂你上传的“模糊人脸截图”，但它不会帮你写
cv2.GaussianBlur去降噪——这个得你自己在需求里写清楚
复杂点在于：不同场景下预处理策略完全不同。光照弱要CLAHE，戴口罩要加minSize=(50, 50)过滤小框，而这些全得靠你把现实条件翻译成代码约束，AI只是执行者。
