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。
这里先回答一个实际问题：多模态提示词怎样才能落到可执行的结果上。
先用这几段试一次
示例1
/imagine 一个女孩在樱花树下，粉色长发随风飘动，穿着白色连衣裙，阳光透过花瓣洒落，日系动漫风格，柔和的粉色色调 --niji 5 --style expressive --ar 3:4
示例2
/imagine 未来城市全景，高耸的玻璃建筑群，霓虹灯光在雨后的路面上反射，空中有飞行汽车穿梭，赛博朋克风格，蓝紫色主调 --ar 16:9 --quality 2 --stylize 750 --chaos 20
示例3
/imagine 一只可爱的柴犬穿着白色宇航服，漂浮在太空中，身后是地球和星空，卡通风格，柔和的光晕效果，温馨治愈的氛围 --ar 1:1 --stylize 250 --no realistic
先复制这几段
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。
场景不同，模板这样换
先跑通这个场景：图文结合
模板
我上传了{{图片/文件}}，请基于它{{任务}}。要求：{{依据范围}}；{{输出}}；{{禁止}}。
参考选项：
- {{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
- {{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
再看一个场景：多来源核对
模板
我上传了{{材料A}}和{{材料B}}，请核对：{{核对项}}。要求：{{来源}}；{{输出}}；{{不一致时}}。
参考选项：
- {{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
- {{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
使用时的常见问题
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
用法先看这里
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。
选
为什么选它
多模态能把「说不清」变成「看得清」，尤其产品、图表、文档类场景。
用
怎么用好
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。
还想看更多？ChatGPT 提示词模板 里还有一批能直接抄的。
