我用Qclaw分析了96个归类案例，整理出一套商品归类技巧与口诀

最近我做了一件事：把《进出口商品归类实务》纸质书中的典型案例，用Qclaw进行图片OCR识别，批量解析，并将96个案例形成电子化存储，然后让Qclaw做了一套完整的系统分析报告。

这份报告内容丰富，通俗易懂，很想分享给大家。

Part.01

从96个案例里，我发现了什么规律

先说整个流程是怎么跑的。

手机对纸质资料拍照→上传照片→用Qclaw的OCR识别文字后提取"案例"和"解析"两个字段内容→自动写入飞书电子表格→用Qclaw对写入的96条结构化数据进行分析→生成完整的分析报告。

这套流程跑完，96个典型案例中的归入品目、核心要点，全部都整齐地躺在一张表格里，再也不是散落在书页中的印刷题了。

Qclaw生成的报告覆盖八个维度

Part.02

1、全部案例的清单（按品目编号排序，覆盖21的章节）

2、8大通用归类技巧

3、4大核心归类要点归纳

4、易错点汇总（TOP10高频错误，错做法vs正确做法vs防错口诀）

5、10组易混淆品目对比

6、5套逻辑链模板（通用/混合物/零件/纺织品/机电产品专用）

7、30+条记忆口诀大全

8、关键判断速查表（15个节点的决策树）

Part.03

最容易踩坑的TOP3高频要点

96个案例分析下来，有几个踩坑的要点出现频率远高于其他：

第一个坑：忽视章注排除条款

典型的例子：纸尿裤是纸做的，很多人第一反应就往48章（纸及纸板制品）归。但48章章注二第十六款明确写了，把卫生巾、婴儿尿布等排除出了48章，所以正确的是96.19。

同样的道理，鸭肠看起来是动物杂碎，归入02章，但02章章注二把动物肠排除了，所以正确的是05.04。

陶瓷泵，看功能归入84章液体泵，但84章章注一明确排除了陶瓷制的机器和器具，所以正确的是69.09。

总结下规律：章注排除条款是法律，品目条文只是表象，两者冲突时优先看章注。

第二个坑：零件归类凭感觉

汽车专用烟灰缸，由镀锌钢铁制成，很多人会以为属于汽车零件，将之归入87.08，但烟灰缸属于"通用零件"范畴，第十七类类注二明确规定通用零件不按专用零件归，所以正确的是83.02。

轿车后视镜，直觉归入87.08，但70.09已经明确了列名"后视镜"，列名越具体越优先，所以正确的是70.09。

零件归类的三板斧：先看有没有专门列名，再看类注二怎么规定，最后才按材料归，跳过任何一步都可能出错。

第三个坑：规则三的用法顺序搞反了

规则三包含三个子规则：（一）具体列名优先，（二）基本特征，（三）从后归类。

很多人一上来就用"从后归类"，这是不对的。三（三）是最后手段，在前两个都判断不了的情况下才能用。而且三（一）和三（二）也有优先级，不能随便切换。

96个案例里，规则一（根据品目条文/章注直接解决）的使用频率约60%，规则三（三）从后归类只有约5%。大多数的案例其实用规则一就能搞定，很多人的失误在于章注没认真读，直接跳到规则三里去了。

最实用的几套逻辑模板

Part.04

报告里整理出来五套逻辑链模板，这里举例两个最常用的。

通用归类五步法：

第一步，识别商品。材质是什么、功能是什么、加工程度到哪里。

第二步，锁定最可能的章节。根据材质或功能，圈出可能涉及的1-3个章节。

第三步，章注筛选。这是最重要的一步。逐一检查每个候选章的章注，有没有排除条款？被排除的直接淘汰。

第四步，品目条文匹配。在剩余候选章里找最匹配的品目。

第五步，子目逐级确定。从4位品目开始，一级一级往下，同级比较，不可跨级。

零件归类三板斧：

先问：有没有专门列名（如83.02通用零件）？有就直接归。

再问：第十六/十七类类注二怎么规定的？专属零件归该机器品目，通用零件归通用品目。

都没有：按材料归类，钢铁/塑料/橡胶各归各位。

Part.05

10组易混淆品目速查

报告里整理了10组高频混淆对，这里举几个最典型的：

喷雾装置：工业喷枪、农用喷雾机，作为独立使用的机械设备，归入84.24；香水瓶喷头、化妆品喷雾泵，作为包装容器的配件，归入96.16。

LED相关：85.41是单个LED发光二极管器件，裸芯片级别。LED灯泡带了外壳、镇流器、散热片，是完整成品，归入94.05。两者差了一个"元器件"和"成品"的层级。

艺术品：97.06（古董）是兜底项，章注明确规定超过100年的东西要先看能不能归入97.01-97.05，不能才归入97.06。明代石刻有人工雕刻，归97.03雕塑原件；天然鹅卵石没有加工但有收藏价值，归97.05收集品。

30+条记忆口诀，朗朗上口

Part.06

这也是报告里我最喜欢的部分。系统根据96个案例提炼了30多条记忆口诀，按场景分类。比如：

章注排除类的总口诀：

「章注排除像红灯，见了必须停一停；不管材质是什么，排除条款大于天；先查章注再归类，这个习惯要养成。」

零件归类的口诀：

「零件归类别偷懒，三部曲要走一遍；专门列名先看看，类注二再来判断；通用零件被排除，材料归类最后算；别看装在哪台机，亲爹是谁归哪里。」

T恤和衬衫的口诀：

「针织服装分衬衫，有领有扣六一五；无领无扣无门襟，六一零九T恤衫；领扣门襟三个字，缺一就不是衬衫。」

Part.07

做这件事的实际价值

以前学习案例，每个案例都是孤立的，做对了这次，下次还可能犯同样的错。但当把96个案例结构化存储起来，统计一下各类错误的出现频率，提炼出要点分布，感知就完全不一样了。

比如，机电产品（84/85章）占了约12.5%的案例，是覆盖最多的类目；纺织品类（第11类到63章）加起来也有15%左右；章注排除涉及的案例约20%。这些数字告诉你时间和精力应该往哪里放。

而且这套流程本身就是可迁移的。不仅仅是归类工作或准备考试，任何需要从纸质资料里提取结构化知识的场景都能用：政策文件、合同条款、检验报告、监管公告……思路是一样的。

几点客观说明

说了这么多优点，也要实话实说几个局限：

AI生成的报告质量高度依赖原始数据质量。如果OCR识别出错，或者原案例本身有争议，报告里的结论可能也会有偏差。

这套分析是基于96个案例的样本，报告仅仅是提升效率的工具，替代不了基础知识的积累。

如果你对这套流程感兴趣，欢迎交流。

#AI工具 #职场提效 #商品归类 #AI应用