AI识图时，文件名和附注比图片本身更关键

很多人把图丢给 AI，心里默认它会“自己看明白”。可真到业务里一用就会发现：同一张图，有没有文件名、有没有一两句附注，出来的结果能差出一大截。画面当然重要，但真正决定 AI 少猜还是乱猜的，常常是你给它的那些文字线索。

图在说什么，文字在说“该怎么看”

对人来说，一张付款截图背后往往已经带着上下文：哪个客户、哪笔单、什么时候截的。对模型来说，它只能盯着像素里的字和布局硬推。推得越多，答案就越飘。文件名和上传时的说明，本质上是在帮它收窄范围——不是替它编故事，而是告诉它这张图属于哪一类材料、要回答什么问题。

命名不必写成长篇作文，但最好让人和系统都能一眼看懂。业务对象、材料类型、日期、第几张，这些信息放进名字里，比“截图1”“微信图片_最终版”有用得多。同一事项有多张图时，顺序尤其关键：入口整体图和设备局部图一旦被打乱，AI 很容易把前后关系看反，或者把不同对象的材料混成一件事。

附注比“帮我看看”管用

上传时只写一句“帮我看看这张图”，等于把解释权全交给模型。更稳的做法是把任务边界说清楚：是要提取字段、判断材料是否完整、找异常，还是整理成表格。截图可以补上来源场景、截图时间、相关业务动作；票据可以说要盯哪些栏位；现场照片可以交代拍摄位置和已知背景。

一句好附注不需要花哨，但要能把模型从“尽量答满”拉回“看得见才写”。比如明确要求：只根据图中可见内容提取日期、金额、收款方；看不清的标成无法确认，不要猜。这样一来，文件名负责“这是什么材料”，附注负责“你该干什么、不能干什么”，图片本身反而成了证据底稿，而不是唯一输入。

为什么说它们有时比画面更关键

现实里的图很少是理想样张：聊天压缩图、拍歪的票据、反光现场照、拼在一起的说明图都很多。画面糊了、遮挡多了，模型仍可能给出看起来很笃定的答案。这时如果文件名乱、说明空，复核的人连“它到底在分析哪张、按什么任务在答”都对不上，风险会叠上去。

反过来，材料拍得一般，但命名清楚、任务写明白、多张图顺序固定，AI 至少会在你划定的框里工作，人工抽检也能顺着名字和说明回到原图核对。金额、日期、姓名、编号这类高风险字段，本来就不能拿模型输出当最终事实；有了可追溯的文字线索，抽检才不是走形式。

所以别把多模态想成“丢图即答案”。前端把图拍清楚只是门槛，把文件名起明白、把附注写到位，才是在给 AI 减少猜的空间，也给后面的人留条能复查的路。AI 适合当整理和提示的助手；真正扛责任的，仍是原图、说明和人工确认这一整条链。