文件与多模态输入：先确认读取，再进行理解

上传成功只说明文件被接收

小禾把一张纸艺材料清单照片交给支持视觉的AI，工具很快生成一个整齐表格。但第三行数量原本是三，结果却识别成八。文件上传成功、工具给出答案与内容读取正确，是三个不同状态。多模态指系统能够处理文字、图像、声音等多种类型的输入，不代表每一种类型、每一张表格和每一段音频都同样可靠。初次使用时应先要求提取可见信息，再独立核对，不急着让工具直接计算或改写。

读取、识别和理解各有边界

读取可编辑文字通常能够直接获得字符，但也可能遗漏页眉、脚注和隐藏批注。文字识别，英文Optical Character Recognition，简称OCR，将图像里的文字转换成文本，容易受清晰度、方向、遮挡和字体影响。视觉理解还可能判断作品形状或场景，但图像里的数量、尺寸和细小文字不一定可靠。音频转写也可能把近似发音的词混淆。应让工具标出不确定位置，不用完整流畅的输出掩盖原材料看不清的部分。

先做可定位的提取，再做整理

清单有五行时，要求按原顺序输出行号、材料名称、数量、单位和不确定项，而不是立即总结总量。保留行号让小禾能回到原图检查第三行。若是多页资料，保留页码和章节标识；若是录音，保留可定位的片段时间。图像中看不清的字符写无法确认，不通过常见材料习惯补全。提取阶段尽量保持原始含义，清理阶段再统一单位，分析阶段才进行计算，三者分开能定位错误进入了哪一步。

用一个小例子完成分步操作

原清单显示彩纸三包、白纸十张、胶棒二支。先得到三条逐行提取记录，人工核对三与八、张与包等易混位置。确认无误后再把数量转换为数值并保留单位，缺少每包张数时不把彩纸换成张。最后语言工具可以写材料种类说明，但不能直接把三、十、二相加称十五份材料，除非事先定义份代表什么。图像里出现的装饰、示例文字或操作指令，也不能自动成为本次任务的事实或授权。

输入质量与权限一起检查

使用清晰、方向正确、只包含必要区域的虚构图片能提高可读性，也减少无关信息暴露，但裁切时不能丢掉单位或限制说明。真实资料上传前应检查身份线索、许可与工具设置。文件大小和页数限制取决于具体产品，课程不保证所有工具都支持相同能力。若材料确实看不清，正确做法是获取更清晰副本或人工确认，而不是要求模型更自信。最后产出注明提取后经过哪些核验，读者才能区分已确认数据与机器初步识别结果。