12
AI 多模态输入与解析
AI 多模态办公：不仅仅是“文字提取”
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
| 风险点 | 表现 | 解决方案 |
|---|---|---|
| 数字幻觉 | 对于 0 和 8，或 1 和 l，视觉模型有时会看错 | 关键数据必须要求 AI 进行“自洽性校验”（如总计求和）。 |
| 隐私泄漏 | 截图角落可能包含浏览器书签、系统通知等隐私 | 截图前开启隐私模式，或使用局部截图，不要截全屏。 |
| 空间感缺失 | AI 对图中元素的“相对位置”描述有时不准 | 如果涉及精密设计，建议配合文字描述辅助。 |
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。
- 让 AI 将其转化为 Markdown 格式。
- 要求它：基于这些数据，生成 3 条具有洞察力的结论。
- 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？）。