AI 多模态输入与解析

办公场景中，大量信息藏在纸质合同、白板草图、报表截图里。AI 的多模态能力（Vision）如果只用来做 OCR（文字识别）就太浪费了。它的核心价值是：读懂视觉背后的逻辑。

---

1) 白板草图：从“照片”到“可运行架构”

开会时在白板上随手画的业务流程，以前需要人肉整理成文档。现在，你可以直接把照片喂给 AI。

🚀 实战技巧：视觉逻辑转化

拍一张手绘流程图：

专家版 Prompt：

你是系统架构师。请分析这张白板照片。
任务：
1. 识别出图中所有的【业务角色】（矩形）和【决策节点】（菱形）。
2. 将这个流程转化成 Mermaid Flowchart 代码（你可以直接在 GitHub/Notion 渲染）。
3. 逻辑诊断：基于你的理解，这个流程是否存在“死循环”或“缺少异常处理”的情况？
请以“架构图代码 -> 逻辑说明 -> 改进建议”格式输出。

---

2) 复杂报表解析：干掉“人肉搬运”

面对一张 PDF 或网页截图里的复杂表格，手动录入 Excel 极易出错。

💡 场景模拟：对比三份供应商报价单截图

提升 Prompt：

这是一张包含 15 行、8 列的复杂报表截图。
任务：
1. 请提取图中所有的数字，并以 Markdown 表格形式还原。
2. 校验逻辑：请横向计算每一行的“单价 x 数量”是否等于“总价”。如果不等于，请在表格中用红色（或加粗）标注。
3. 深度分析：这几份报价中，单价波动最大的是哪一项？
注意：如果你对某个数字不确定（如由于水印遮挡），请输出 [?] 而不要编造。

---

3) 截图驱动的任务：把视觉变成“Prompt 语料”

当你看到一个很棒的网页设计或文档模板时，可以直接“截给”AI。

实战示例：

• 文案模仿：截一张竞品的爆款海报。“请分析这张海报的视觉重心和文案排版逻辑，并为我的新功能写一个类似的草案。”
• UI 还原：截一张后台管理界面的图。“请根据这个截图的布局，用 React + Tailwind CSS 写出它的静态前端代码。”

---

4) 避坑指南：眼睛也会骗人

---

5) 动手练习

任务：找一张你工作中遇到过的最复杂的 Excel 截图。

1. 让 AI 将其转化为 Markdown 格式。
2. 要求它：基于这些数据，生成 3 条具有洞察力的结论。
3. 让它：为你推荐一个最适合展示这些数据的图表类型（饼图、柱状图还是漏斗图？）。

---

6) 完整案例：从报价截图到采购比较表

假设你收到三家供应商的报价截图。目标不是让 AI “选最便宜的”，而是先建立可核对的数据层。

第一步：逐份提取，不急着比较

请只处理当前这一张报价截图。
按“原文值 / 标准化值 / 页码或区域 / 置信说明”输出：
- 项目名称
- 数量与单位
- 单价
- 税费
- 总价
- 有效期
看不清的字符写 [?]，不要猜。

第二步：人工抽查关键字段

金额、日期、数量和合同条款至少回看原图一次。可以用下面的抽查规则：

第三步：基于已确认数据比较

以下字段已经人工确认。
请输出：
1. 可直接比较的项目
2. 因范围不同不能直接比较的项目
3. 需要向供应商追问的问题
4. 不做推荐，只列出价格、范围、风险和信息缺口

7) 多模态输入清理清单

• 裁掉浏览器标签、聊天通知、客户姓名等无关信息
• 每次上传前确认文件是否允许进入所用 AI 服务
• 扫描件保留页码，长文档要求答案引用页码或区域
• 对金额、日期、身份、签字和合同条款安排人工核对
• 保存原文件和结构化结果，避免结果脱离来源

8) 常见失败与修正

9) 本章交付物

完成一份 可追溯的多模态提取包：原文件、字段表、不确定项、人工抽查记录和最终结论。涉及敏感材料时，继续学习 AI 安全与伦理。