拍照识别票据、根据会议录音整理任务、从设备图片判断异常，多模态能力让很多原本需要人工转录的环节变短了。真正上线后，团队却常发现模型错误来自输入，而不是推理。

镜头反光遮住编号，录音里多人同时说话，附件名称与正文不一致。人会下意识补齐这些缺口，系统必须明确知道哪里缺了信息。

先检查输入是否足够

模型处理前可以先做质量检查：图片是否清晰、必要页面是否齐全、音频是否可辨认。缺少关键材料时，直接要求补充，比继续生成不确定结论更省时间。

上传界面也应告诉用户需要什么。与其写“请上传资料”，不如说明文件类型、拍摄角度和必须出现的字段。

多模态能力的上限，常被输入环节最普通的小问题压住。

保留不同信息的关系

一组图片的先后顺序、录音中的说话人、表格与附件的对应关系，都属于业务上下文。把所有内容拆成孤立片段，会让模型看到信息却无法理解关系。

系统应保存时间、来源和对象标识，让结果能够回到原材料核验。用户点击结论时，最好能看到它依据的是哪张图、哪一段声音。

把不确定交给合适的人

低风险任务可以自动完成，高风险判断需要人工确认。确认页面应突出模型拿不准的部分，避免让审核者重新阅读全部材料。

使用者的修正还要回到输入流程。如果某类照片经常无法识别，先改拍摄指引可能比反复调整提示词有效。多模态工作流成熟以后，输入设计和模型能力会一起被维护。