用途：把照片或扫描图中密密麻麻的多张名片，整理成干净的联系人列表。流程分两阶段，顺序固定：先用脚本预处理，再读取它生成的图块（不要直接读原图，因为模型会先把输入缩放到长边约1568px，整页名片会被压得无法辨认）。
主要能力：脚本把整页切成带重叠的网格图块，每块接近缩放上限，使每张名片保留500px以上真实分辨率；按读取模型（--model opus|sonnet|haiku）自动决定网格粗细，Opus切得最少、Haiku最细，默认sonnet。还会对每个图块做去眩光（光照平坦化加局部对比度提升），可修正光泽名片和塑料套的反光雾感。
使用方式：运行 python3 scripts/prep_cards.py /mnt/user-data/uploads --out /home/claude/cards_work --model opus 。脚本打印每张图选用的网格并写入 tiles/ 与 manifest.json。随后查看代表性图块自检：文字模糊可用 --target-px 1100 细切，边缘裁断可用 --overlap 0.2 增加重叠，纯文字浅雾可用 --binarize（彩色或含标识的名片不要用）。读取有两条路径：会话内用 view 工具逐块转录，按 prompts/haiku_extract.md 规则（每张完整可见名片一行、跳过边缘裁断、不臆造、不确定标低置信度）；或存在 API_KEY 时用 scripts/extract_cards.py 并行调用模型并输出 CSV（列：sheet, tile, name, title, company, phone, email, website, address, confidence），先跑 --limit 8 抽样验证再全量。
适用场景：松散、倾斜、装在名片册套里、叠放的名片照片或扫描件；也提供 --rows/--cols 精确网格和 --detect 轮廓检测两种干净输入模式。
限制：去眩光无法恢复被强反光打白、像素被截断的文字；极端角度或过小的名片仍可能读不准，需重拍或用更细网格。按资料，Haiku 在手机拍摄的松散、倾斜名片上会自信地读错姓名和公司且标为高置信度，仅适合干净、高分辨率、正向的扫描件，使用前须抽样验证；准确性的真正瓶颈是模型，不是流程。