要让Gemini准确处理多模态输入，提示词须明确三步：一声明输入模态类型，二绑定任务与模态对应关系并设边界条件防幻觉，三指定结构化输出格式及字段约束。
☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 多模态理解力帮你轻松跨越从0到1的创作门槛☜☜☜
要让Gemini准确理解并处理图片、PDF或音频等多模态输入，提示词必须明确交代输入内容的类型、核心任务和输出格式要求，不能只写“分析这张图”这种模糊指令。
第一步：声明输入模态类型
在提示词开头用一句话点明当前输入包含哪些模态。例如：“你将收到一张手机截图（PNG格式）和一段用户语音转文字文本（共138字）。”
这一步不能省略——Gemini不会自动识别附件是图还是PDF，也不会默认把上传的PDF当作待解析文档；【不声明模态类型，模型可能直接忽略附件或误判为纯文本】。
如果是单张图片，写成“这是一张拍摄于超市货架的实物照片，含中文商品标签和价格牌”比“看图回答问题”有效十倍。
第二步：绑定任务与模态对应关系
方法一：按模态分句描述任务
“请从图片中提取所有可见的价格数字，并核对PDF第7页‘促销条款’部分是否提及该价格的有效期。”
方法二：用动词锁定处理动作
“读取音频中的订单编号→在截图里定位该编号对应的二维码→确认二维码下方小字是否含‘仅限当日使用’字样。”
使用固定的 Next.js/Tailwind/Prisma 技术栈构建并记录独立 SaaS 项目，仅将 FastAPI 用于 Python 工作负载，并遵循严格的架构规范。
方法三：设边界条件防幻觉
“仅基于图片中实际出现的文字作答，不要推测货架背后商品、不要补全模糊字迹、不要调用外部知识库。”
注意：当提示词中出现“根据图片/PDF/音频”却没说明具体哪段内容时，Gemini容易自由发挥——它会编造不存在的细节来凑够字数。
第三步：指定输出结构与字段名
第一步：用冒号定义字段
“输出格式严格按以下JSON结构：{‘检测到的价格列表’: [ ], ‘条款匹配结果’: true/false, ‘置信度评分’: 0.0–1.0}”
第二步：给每个字段加约束
“‘检测到的价格列表’只填图片中清晰可辨的阿拉伯数字，单位‘元’不写入数组；若无价格则填空数组[]。”
第三步：禁用自由发挥项
“禁止添加‘建议’‘备注’‘补充说明’等额外字段，返回内容必须能被Python json.loads()直接解析。”
