用户不会总是把问题整理成文字
技术排错时，用户可能只有一张报错截图；电商运营可能只有一组商品图；老师可能想把课堂录音变成提纲；设计师可能想让 AI 直接看页面并指出问题。过去这些材料需要人工描述，现在可以直接交给模型理解。
这会改变产品设计：上传、拖拽、截图、语音输入、视频片段选择，都会成为常见入口。AI 产品不再只是聊天框，而是围绕材料流转的工作台。
多模态落地的常见场景
截图诊断
识别错误提示、页面状态、表单字段和操作路径，辅助排错。
文档理解
读取 PDF、表格、图片文字和扫描件，抽取结构化信息。
视频工作流
从脚本、分镜、配音、字幕到剪辑建议，形成内容生产链路。
别忽略输入质量和隐私边界
多模态不是把所有文件丢给模型就完事。图片清晰度、文件大小、格式兼容、OCR 准确率、音频噪声、视频抽帧策略都会影响效果。更重要的是，截图和文件经常包含账号、客户信息、合同、内部系统地址等敏感内容。
清风笔记建议：多模态能力上线前，先做文件类型白名单、大小限制、脱敏策略、日志摘要和用户提示。输入越自由，边界越要清楚。