要让 Gemini 这类多模态大模型准确且专注地工作，关键在于给它一个清晰、无歧义的“任务蓝图”。很多模糊的指令，比如“分析一下这张图”，往往会让模型陷入困惑，输出不可靠的结果。想让模型读懂图片、解析PDF或理解音频，你的提示词必须像一个严谨的产品需求文档，清晰地说明三件事：它要处理什么，具体怎么做，以及最终成果长什么样。

第一步：声明输入模态类型

千万别觉得模型能自动识别你上传的是什么。第一步，务必在提示词的开头，用一句话清晰地“打招呼”，告诉模型接下来会遇到哪些类型的“材料”。

举个例子，你可以这样写：“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）。” 这就像在会前发议程，让模型对信息流做好预处理准备。

忽略这一步，风险不小。模型可能会直接忽视附件，或者错误地将复杂的PDF文档当成一堆无意义的文本字符来处理，导致后续分析完全跑偏。即便是单张图片，描述性声明也比简单指令有效得多。“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”这样的描述，其精确度远超一句笼统的“看图回答问题”。

第二步：绑定任务与模态对应关系

接下来是核心指令环节，必须把“做什么”和“基于什么做”紧密捆绑在一起，防止模型“指东打西”或自由发挥。

方法一：按模态分步下达指令。 这最清晰明了，例如：“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。”每个任务都明确指向了具体的来源。

方法二：用动词锁定处理动作。 这适合流程性任务，逻辑链明确：“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。”

方法三：设定严格的边界条件，防止幻觉。 这一点至关重要。模型为了“讨好”用户或让回答看起来更“完整”，有时会编造信息。你需要用指令筑起围墙：“仅基于图片中实际出现的文字作答，不要推测货架背后的商品、不要补全模糊字迹、不要调用外部知识库。”

经验表明，当提示词中间出现“根据图片/PDF/音频”这类模糊指向而未说明具体对应哪部分内容时，就是幻觉（Hallucination）高发的危险区——模型很可能会用编造的细节来填补指令的空白。

第三步：指定输出结构与字段名

最后一步，为任务的产出物定义一个精确的“模具”。这能确保你得到的是可直接使用的结构化数据，而不是需要二次加工的自由文本。

第一步，定义格式和字段。 直接给出模板，比如：“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，为每个字段附加约束。 细化规则，确保数据干净：“‘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[]。” 这样一来，你就不会收到“15元”这样的字符串，而是一个纯粹的数字“15”。

第三步，禁用自由发挥。 明确告诉模型不要画蛇添足：“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的`json.loads()`函数直接解析。” 这保证了输出结果能被下游程序无缝衔接处理。