百智云图像理解：功能篇——同一张图，提示词决定答案的视角

给同一张图片提问，得到的答案可以完全不同。问「画面里有什么」得到的是场景描述，问「图里有没有联系方式」得到的是信息提取，问「这张图适合放在季度汇报哪一页」得到的是用途判断。这正是图像理解服务与普通「看图工具」的差别：答案的视角，由提示词决定。

提示词是问题的容器

在百智云的图像理解服务里，每次识别由两部分组成：一张图片和一段提示词。提示词本质上是「你想让模型关注什么」。服务给出的默认示例是「请描述这张图片的内容」，它适合快速了解一张陌生图，但真实工作中，多数需求比这更聚焦——需要的是某个结论、某项信息、某种结构的解析，而不是面面俱到的描述。

提示词写得越具体，识别结果越接近可用。把「描述这张图片」换成「请提取图中表格的所有行和列，并说明总计是多少」，模型的注意力就会集中到表格区域。把「这张截图讲了什么」换成「这段报错发生在哪个组件、可能由什么原因引起」，返回内容就从复述变成了诊断。提示词与答案之间是直接的指令关系。

从默认示例开始的三种常见问法

结合日常使用，可以按三种目标组织提示词。其一是描述型，对应默认示例，适合新图片的快速浏览。其二是提取型，指令是「列出」「识别」「转录」，适合截图里的文字、表格、票据信息。其三是判断型，指令是「分析」「比较」「判断」，适合需要结合上下文得出结论的任务，例如判断海报的活动主题是否突出、分析竞品页面的信息架构。

三种问法可以混用。一次识别不必只做一件事，可以把多个关注点写进同一段提示词，例如「先描述整体布局，再提取标题文字，最后判断这个页面主要引导用户做什么动作」。

提示词写好后如何迭代

提示词不是一次写对的。第一次结果不满意时，不必怀疑图片或服务，多数情况是问题还不够具体。一个实用的迭代方法是把结果里「多出来的、不需要的」和「缺失的、想要的」都写进下一次提示词：前者用「不要描述」排除，后者用「请重点说明」补齐。连续两三轮，结果通常就稳定可用了。

由于每次识别按次计费，迭代成本是可预期的。与其把一张图反复问很多遍，不如把需求想清楚后一次问透，这样既省积分，也更容易得到结构完整的答案。

小结

图像理解不是「机器替你看图」，而是「机器按你的问题看图」。提示词决定注意力的落点，也就决定了答案的形状。从描述型、提取型到判断型，随着提问越来越具体，识别结果也会从「像描述」进化成「像结论」。下一篇我们聊一聊支持上传的图片格式与大小限制，看看哪些图片能直接拿来识别。