当AI模型开始处理的不只是文字，还有图像、PDF和屏幕截图时，提示词（Prompt）的写法就完全不一样了。生产环境里的多模态提示，核心在于文本指令与视觉数据块之间的配合——你给模型的文字说明，决定了它怎么“看”你丢给它的那张图。

视觉数据块不是附件，是上下文的一部分

打开网易新闻 查看精彩图片

很多人在生产环境里犯的第一个错，是把图像当成“附加材料”随手丢给模型。实际上，每一张图片、每一页PDF、每一张截图，都是模型理解任务的上下文。提示词里需要明确告诉模型：这张图是待分析的素材，还是需要参照的样例？这个定位不同，输出结果会差很远。

截图类提示：先框定范围，再提要求

屏幕截图在多模态提示里比较特殊——它往往包含大量无关信息，比如工具栏、通知栏。有效的做法是在文本指令里先帮模型“划重点”，说明截图里哪个区域是核心关注对象，再给出具体的处理要求。这样模型才不会把注意力浪费在无关像素上。

多模态提示的难点不在技术，而在如何用文字引导模型的视觉注意力。生产环境里，这个能力直接决定AI输出的可用性。