多模态提示词：文字、图片、语音混合使用，看懂和用好，让 AI 理解力再上一个台阶。
只会打字问 AI，等于把它的能力用掉一半。现在的 AI 能看图、听语音、读文件，把这些模态加进提示词，很多说不清的事就说得清了。这篇讲多模态提示词怎么用，配模板和避坑。
先拿走 3 条：今天就能用上的多模态提示词示例
示例1（文字+图片）：我上传了一张产品照片，请根据照片写一段电商详情页文案：先描述外观；再提炼 3 个卖点；语气自然不夸张。要求：只描述照片里能看到的东西。
示例2（文字+语音）：这是一段会议录音转写（见下），请帮我出纪要；另外请判断说话人的语气是平静还是激烈，给出依据。输出格式：纪要加语气分析。
示例3（文字+文件）：我上传了一份 Excel 和一份 PDF 说明，请核对：Excel 里的数字和 PDF 里的口径是否一致？找出不一致的地方并列出。
多模态提示词是什么
多模态就是让 AI 同时处理文字、图片、语音、文件。用法关键在「分工明确」：哪张图回答哪部分、哪个文件是依据、输出里哪些来自图哪些来自文，都要在提示词里说清。很多 AI 已经支持上传图片和文件，但你不说「只基于图片回答」，它可能把文字和图片的信息混在一起，甚至脑补图片里没有的内容。
两个场景模板＋参考选项
场景一：图文结合
- {{图片/文件}}：产品照片/截图/图表/PDF
- {{任务}}：写文案/做分析/提取信息
- {{依据范围}}：只基于图片内容/结合文字背景
- {{输出}}：描述+结论/表格/分点
- {{禁止}}：不要脑补图片外内容/不要编造数据
场景二：多来源核对
- {{材料A}}：Excel 数据/合同/报告
- {{材料B}}：PDF 说明/聊天记录/清单
- {{核对项}}：数字是否一致/口径是否相同/信息是否有冲突
- {{来源}}：每项标注来自哪个文件
- {{不一致时}}：列出差异并说明影响
已把参考选项的第一组填进模板，复制后改数字、细节就能直接发给 AI。
使用说明
怎么用：三步。① 上传前想清楚：哪部分信息该由哪个文件提供；② 提示词里写明依据范围和禁止项（只基于图片、别脑补）；③ 多来源任务要求标注来源，方便核对。
多模态能把「说不清」变成「看得清」，尤其产品、图表、文档类场景。
把「只基于上传内容+标注来源+不脑补」写成固定规则，所有多模态任务都带上。
常见坑
坑 1：不限制依据来源。AI 可能脑补图片里没有的内容，写明「只基于图片」。
坑 2：多来源不标出处。两份材料混在一起说不清，要求每项标注来源文件。
坑 3：图片质量太差。模糊、截断的图识别不准，上传前检查清晰度。
常见问题
问：哪些 AI 支持多模态？
答：ChatGPT、Kimi、通义千问、豆包等都支持上传图片和文件，具体看当前版本。
问：语音和图片能同时用吗？
答：多数情况是「语音转文字+图片」组合，提示词里把两者关系说清楚即可。
适用模型：ChatGPT / Kimi / 通义千问 / 豆包
适用场景：看图写文案；文档数据核对；图片和文字混合的信息提取
