应根据问题类型选择匹配的多模态算子：纯内容理解用视觉内容理解算子，需分步推理用多模态深度思考算子，含PDF扫描件则先走PDF文档解析算子预处理；图文embedding算子仅输出向量，不可用于解读。
☞☞☞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☜☜☜
你需要让火山引擎豆包大模型理解一张产品图、截图或监控画面，并输出结构化描述、缺陷判断或操作建议，而不是只靠OCR提取文字。
选择匹配的多模态算子
先确认你要解决的具体问题类型：如果是纯内容理解（比如“图里有什么”“这个界面哪里出错了”），用视觉内容理解算子；如果需要模型边推理边解释（比如“为什么这台设备状态异常？请分步骤说明依据”），必须选多模态深度思考算子；若输入含PDF扫描件或模糊图文混排页，则优先走PDF文档解析算子预处理，再送入理解类算子——它能还原表格、公式和图片区域坐标，避免原始图像切片导致信息丢失。
注意：图文embedding算子不生成文本答案，只输出向量，不能用于内容解读。
准备图片数据
方法一：用HTTP/HTTPS URL直接传图
确保图片URL可公开访问且未设防盗链，TOS/S3链接会自动预签名，无需额外配置。
方法二：Base64编码上传
将图片转为base64字符串（推荐用Python的base64.b64encode或在线工具），注意去除头部data:image/jpeg;base64,前缀，只保留纯编码字符——否则调用会返回400错误。
方法三：二进制流直传（仅限API调用）
构造multipart/form-data请求体，字段名必须为images，文件名后缀需与实际格式一致（如.jpg/.png），不支持.webp等非标准扩展名。
调用视觉内容理解算子
第一步：设置基础参数
POST到https://operator.las.cn-beijing.volces.com/api/v1/llm/vision（以北京地域为例），Header中带Authorization: Bearer YOUR_API_KEY。
第二步：组织JSON body
单图理解：{ "images": "https://xxx.jpg", "texts": "请用中文描述这张图，重点指出是否有安全隐患" }
多图对比：{ "images": ["https://a.jpg", "https://b.jpg"], "texts": "对比两张图中的设备摆放位置差异" }
⚠️ 注意：texts字段不能为空，哪怕只写“分析这张图”，否则模型默认执行无提示泛化理解，结果不可控。
第三步：接收响应
成功时返回string类型结果，例如：“图中为机房配电柜，右侧断路器手柄处于‘OFF’位置，但指示灯仍亮起，存在控制信号异常风险”。
启用深度思考模式
方法1：通过thinking_type参数显式开启
在请求body中加入"thinking_type": "enabled"，此时响应结构变为JSON对象，包含llm_result和reasoning_content两个字段。reasoning_content里会逐条列出模型观察到的像素特征、逻辑推导链、排除依据——比如“1. 柜门缝隙宽度约2mm → 判断未完全闭合；2. 缝隙处可见内部铜排反光 → 排除柜门贴膜遮挡干扰；3. 无警示标签覆盖 → 不属于合规维护状态”。
方法2：用环境变量全局触发
在调用前设置LAS_LLM_FINISH_REASON_CHECK=true，可额外获得finish_reason字段，用于识别是否因内容过滤被截断——这对审核敏感场景（如医疗影像、安防画面）是关键判断依据。
