多模态入门：图片进知识库不等于「看懂了图」

产品手册写「支持多模态」，常被理解成系统已经看懂所有图。实际可能只是允许上传图片，或对图做了粗描述。真正要的是哪类任务：读表、读电路符号、读工牌，还是只给客服看原图？任务不清，多模态会变成昂贵的附件库。

把能力拆开：存图、检索图、描述图、基于图回答并引用。每一层单独验收。不要用「支持多模态」一笔带过。

先做 OCR 与文档解析，再谈视觉推理

多数企业图片问题其实是字和图混排。先把字取出来，往往已解决百分之八十。真需要视觉推理的，比如仪表盘读数、缺陷外观，再单独立项，准备标注与评测照片。

评测照片要含光照差、遮挡、模糊样本。只拿官方样张验收，上线必回落。

若回答基于图，界面应能打开原图或裁剪区域。无法指出区域，就不要声称「已识别」。医疗、工业质检尤其如此。

多模态的价值在具体任务里，不在形容词里。

泛友遇到「要上多模态」需求时，会先改写成三个可测任务。改写失败，就先不做。若供应商只展示炫酷识图，请拿出你们现场照片复测。

传图到外部模型前，确认是否含人脸、厂区布局、客户隐私。能裁剪就裁剪，能本地就本地。多模态的隐私风险通常高于纯文本。

成本上，图的 Token 或调用价更高。要用任务频次算账，避免把所有附件默认丢进视觉模型。

图纸与现场照片常有保密级别。图的权限模型与文档一致，不能因为是媒体文件就公开。泄漏一张总图，可能比泄漏一段文字更严重。

缩略图与原图的访问策略分开。聊天里默认缩略图，下载原图另鉴权。减少误分享。

评测通过不代表现场长期稳定。光照与设备更换后要抽检。多模态维护成本写进年度预算，避免一年后退化无人管。

围绕「多模态入门：图片进知识库不等于「看懂了图」」，建议先写一页落地清单：目标用户、入口位置、冻结题数量、红线问题、周会指标与负责人。清单进项目章程后，讨论才不会反复回到功能点罗列。AI 科普类文章尤其要把「不做什么」写进清单，避免范围在实施中膨胀。

内容治理与系统治理分开。页面、制度或案例更新后，题集与检索同步更新；只改提示词，解决不了结构问题。建议建立双周变更窗：窗口内集中更新，窗口外保持稳定，便于对比「多模态入门：图片进知识库不等于「看懂了图」」相关指标是否真的变好。

试点宁小勿大。先在一个团队证明指标可改善，再复制到下一团队。复制时连同红线、题集和负责人一起复制，而不是只复制界面。若第一队都跑不通，加模型规格很少能拯救「多模态入门：图片进知识库不等于「看懂了图」」所描述的那类问题。

与供应商沟通时固定题集。题可以难，但必须可重复。用同一批题看版本差异，比每次换新题刷分更能反映真实进度。合同附件里写明题集保管人与及格线，能减少上线后的扯皮。

上线前四周把失败样例当成主要输入。平均分好看但同一类失败重复出现时，优先改文档、入口或权限。把失败样例归类为：内容缺失、权限过严、入口不便、模型越界。四类对应不同负责人，避免所有问题都甩给算法。

对外表述保持可验证。能写成「在某某条件下完成某某检查」的句子，就不要写成「全面赋能」。宣传与验收用语分离后，「多模态入门：图片进知识库不等于「看懂了图」」才不会在客户处被理解成无限承诺。

安全、法务或合规同事应在方案阶段介入，而不是上线前一天。涉及对外口径或数据驻留时，早期否决比事后补救便宜。介入产出应是一页约束，而不是一本看完即搁置的手册。

为关键资产指定主责与备责。文档、题集、索引、话术都要有第二负责人，避免请假或离职后「多模态入门：图片进知识库不等于「看懂了图」」相关能力停摆。名单贴在周报抬头，比放在通讯录深处更有效。