从一言到万象：多模态、数据与应用生成

不积跬步，无以至千里。

前面几篇谈的是如何认识 AI、如何准备上下文、如何引导思考，以及如何把 AI 用在写作里。到这一篇，事情继续往外走：AI 不只在文字方面擅长，它还能看图、听音频、读表格、写代码、生成图像，甚至帮你把一个想法做成可以点击的小工具。

这并不意味着提示词技巧失效了。恰恰相反，越接近真实作品，越要把目标、材料、约束和评价标准说清楚。多模态和应用生成不是“随便一句话变出万物”的魔法，仍然离不开前面学过的方法：先把问题说清楚，再把材料备好，再让 AI 一步步帮你研究、生成、验证和改进。

同时也要记住，媒介越复杂，成本和风险通常越高。文本生成最快，图像和语音更慢，视频往往更慢也更贵；语音克隆、人物视频和仿真内容还会带来身份冒用、版权和职业影响等伦理问题。能做的事情越多，越要先想清楚哪些能做、哪些不该做。

一、博观而约取：AI 不再只会写字

现代 AI 的一个重要变化，是能吃进去的材料更多，吐出来的结果也更多。过去我们主要给它一段文字，让它再返回一段文字；现在，你可以把截图、照片、录音、表格、PDF、代码文件夹交给它，也可以让它输出文字方案、图片、图表、代码、网页应用，甚至语音和视频素材。

这件事的意义不在炫技，而在于AI 能看到更多现场材料。很多事情用文字描述很费劲，直接给材料反而清楚。你想让 AI 分析一个网页设计哪里别扭，与其写十句话描述按钮位置，不如上传截图；你想让它整理一次头脑风暴，与其回忆白板上写过什么，不如拍照给它看；你想分析家庭开支，与其说“感觉这个月花多了”，不如上传账单表格。

因此，多模态真正改变的是协作方式。你不再只是在聊天框里“问问题”，还可以把现实里的材料带进来，让 AI 一起整理、理解和生成。提示词的重点也不再是“写一句漂亮口令”，而是把任务现场交代清楚：这份材料是什么，想解决什么问题，哪些信息可信，哪些地方需要复核，最后希望得到什么形式的结果。

需要注意的是，媒介变多并不等于判断可以放松。图片会看错，音频会转写错，表格会读错列名，代码会有漏洞。越是接近实际产物，越要记住一句话：AI 可以扩大你的处理能力，但不能替你承担最终责任。

二、横看成岭侧成峰：图片输入与视觉上下文

图片是最容易上手的多模态输入。它适合交代场景、结构和证据：收据、白板、便签墙、课堂板书、产品截图、手写草图，都可以成为 AI 理解任务的材料。

比如一群朋友聚餐后，收据上有十几道菜、服务费和优惠券。你可以上传收据，再补充“张三没有喝酒，李四单独点了甜品，其余菜品均摊”，让 AI 帮你计算 AA。再比如开会后白板上写满了箭头、圈点和便利贴，你可以拍照，让 AI 先整理出讨论主题、已达成结论、待确认问题和负责人。课堂板书也是类似场景：拍下推导过程，让 AI 根据图片总结知识点，再标出哪些公式需要你自己核对。

图片输入的好处，是省掉很多说不清的描述。一个页面布局、一个手绘流程、一张设备面板，有时用自然语言讲半天也讲不清；上传图片后，再用一两句话说明任务，AI 往往能更快明白你要做什么。

但图片理解也有短板。OCR 可能把数字 8 识别成 3，把小数点漏掉，把手写字看成另一个词；图像模型也可能对细节过度自信。医疗影像、法律文件、财务票据、精密设备型号这类场景，尤其不能只靠它下判断。比较稳妥的做法是：让 AI 先整理和提取，再由人复核关键数字、名称和结论。如果结果会影响付款、诊断、合同、报销或安全操作，复核就是必选项。

三、胸中有丘壑：图像生成与视觉语言

让 AI 生成图像时，很多人一开始只写“画一只猫”、“做一张海报”，结果常常很普通。原因和写作一样：要求太空洞，AI 只能按最常见的视觉套路往里填。想写出更好的图像提示词，先要学会一点简单的视觉语言。

一个可用的图像 Prompt，通常至少包含四类信息：主体、场景、细节和风格。主体是画面中最重要的对象；场景说明它在哪里、什么时间、什么环境；细节决定动作、物品、构图和光线；风格则限定摄影、插画、水彩、电影感、国风、产品渲染等方向。

比如下面这句就比“画一只猫”清楚得多：

一只猫在夜晚秘密经营咖啡馆，木质桌椅，暖色灯光，窗外有细雨，电影感构图，柔和阴影。

这里的重点不在堆砌形容词，而在先把画面框住。你也可以继续修改：“保持猫和咖啡馆主题不变，把构图改成从窗外往里看”“减少杂物，让桌面更干净”“把色调改得更像儿童绘本”。图像生成很少一次到位，更稳妥的做法，是先确定方向，再针对具体问题修改。

如果已有参考图，编辑图像通常比从零开始做图更容易把控。比如你要做一张活动海报，可以先上传现有版式，让 AI 调整色调、替换背景、增加留白，别让它凭空猜你的品牌气质。只是要记住，图像、视频和语音生成成本通常高于文本，随机性也更强，不适合无限试错。开始前先确定用途、尺寸、风格和不可改变的元素，会比反复“再来一张”更有效。

图像生成本身也带有随机性。同一个提示词，多次生成可能得到不同构图；手指、文字、连续多帧中的角色一致性，也仍然是容易出错的地方。更稳妥的办法，是先多生成几张，从里面挑一个方向，再围绕明确问题做少量修改，不要指望第一张就完全满意。

四、析毫剖厘：数据分析让 AI 写代码替你算

AI 做数据分析时，比较可靠的方式是让它读取数据、理解问题、编写代码、运行计算、生成图表，再解释结果，少让它口头猜。最关键的是中间那一步：用代码把数据算出来，少让模型凭印象编结论。

生活里有很多适合这种方式的任务。你可以上传跑步记录，让 AI 统计每月的距离、配速变化和休息间隔；上传家庭开支表，让它按餐饮、交通、住房、娱乐重新分类，并找出异常增长项；上传店铺销售数据，让它画出月度趋势，比较销量变化最大的产品；上传调查问卷，让它汇总选择题、归纳开放回答，再指出高频反馈。

提示时要把“算什么”和“怎么解释”分开。例如：

请读取这份销售数据，找出销量变化最大的产品，画出月度趋势图，并说明可能原因。请区分计算结果和你的推测。

这句提示里最重要的是最后一句。数据分析里，计算结果、图表观察和原因推测不是一回事。销量下降 18% 是计算结果；下降集中在 7 月和 8 月是图表观察；可能与促销结束、缺货或竞争对手活动有关，则是推测。请 AI 明确区分事实和解释，能减少很多看似严谨的误导。

当然，让 AI 使用代码做计算也并不总是可靠。表头可能理解错，缺失值可能处理不当，单位可能混用，日期格式可能被误读。涉及财务、经营、医学实验、合规报表这类重要场景，最好要求 AI 展示关键计算逻辑，并抽查几行原始数据。AI 可以替你提高分析效率，但重大决策仍要有人复核。

五、运斤成风：用 Prompt 构建小应用

当 AI 能写代码之后，Prompt 就不只用来生成文本，也可以用来生成工具。简单网页、小游戏、账单分摊器、单词卡、配色工具、番茄钟、预算仪表盘，都可以从一段清楚的需求开始。

构建小应用时，最基础的提示至少要讲清三件事：目标、输入和输出。目标说明这个应用解决什么问题；输入说明用户如何操作；输出说明应用返回什么结果。比如：

请做一个番茄钟网页应用。
目标：帮助用户进行 25 分钟专注和 5 分钟休息。
输入：用户可以开始、暂停、重置，并切换专注/休息时长。
输出：显示倒计时、当前状态和完成提示。

如果想让结果更可用，还可以补充约束：在手机上也能使用，按钮要足够大，状态切换要明确，刷新页面后是否保留设置，完成时是否播放提示音。你会发现，写应用 Prompt 和做产品需求很像。区别只是，AI 能很快把模糊想法变成第一版原型，而你要负责判断它是否真的符合使用场景。

这里也要控制预期。AI 很适合从零做一个小工具原型，或者在现有项目里实现一个清楚的功能；但多人在线游戏、实时协作系统、支付流程、复杂权限、长期维护的数据库产品，通常不适合一句话一步到位。更好的做法是先把最小功能跑通，再一点点加东西：先让账单计算器能正确分摊，再加保存记录；先让单词卡能翻面，再加复习计划；先让仪表盘能读本地数据，再考虑登录和云端同步。

应用生成的关键，不该是让 AI 一次写出“完整产品”。更实际的做法，是让它帮你尽快验证一个想法值不值得继续做。哪怕只是一个烟花小动画、配色工具或单词卡，只要能在浏览器里打开、发给朋友试用，它就已经不只是聊天记录，而是一个可以被别人使用的小作品。

六、行远自迩：从想法到作品

把多模态、数据分析和应用生成放在一起看，AI 已经不只是在“回答一句话”，也可以帮你“做出一个东西”。但这件事通常不是一步完成的，而是一步一步往前推：先头脑风暴，再查资料，再构建，再分享，再根据反馈修改。

比如职业选择。你可以先让 AI 帮你头脑风暴可能的职业路径，再搜索各行业的岗位要求、薪资区间和发展趋势；接着整理成对比表，最后做一个自测小工具，让自己按兴趣、能力、风险偏好和学习成本打分。这个过程中，AI 既是资料员，也是分析助手，还是原型工程师。

语言学习也类似。先明确目标：是为了旅游交流、考试，还是工作会议；再让 AI 生成分级词表、例句和听说练习；最后做一个简单单词卡应用，记录掌握程度。家庭预算则可以先分析账单数据，找出支出结构，再生成月度预算仪表盘，让每个月的变化更直观。

这些例子共同说明一件事：AI 的价值不只体现在某一次回答有多惊艳，也体现在它能参与从想法到作品的多个环节。Brainstorm、Research、Build、Share、Iterate，每一步都可以用提示词往前推一点，但每一步也都需要人来定方向、看结果、做取舍。

所以，千里之行仍从跬步开始。不要一上来就要求 AI “做一个完美产品”，先让它帮你澄清问题，整理材料，生成第一版，再拿真实反馈继续改。会问只是起点；能把 AI 放进真实流程里反复使用，才算真正把它用起来。