Gemini API 多模态入门：让模型读图并输出结构化结果

多模态入门不要从开放式鉴赏开始。选择一个结果能被人工快速核对的任务，例如读取截图中的表格字段、识别图片里的产品信息，或把手写便签整理成待办。

为每张图片提前写下你期望模型提取的字段。这样运行后能判断模型是确实理解了图像，还是只生成了看似合理的文本。

按照官方 getting started 文档完成一次文本和图片输入。提示词里明确字段名称、缺失字段处理方式和不要猜测的规则。

如果应用后续要自动处理结果，优先要求 JSON 结构，并在程序里校验字段是否存在、类型是否正确、值是否为空。

加入模糊、遮挡、低分辨率或无关图片，观察模型何时会拒绝、何时会猜测。把这些失败样例保留下来，作为后续迭代提示词和模型选择的基准。

当图片信息需要事实核验时，不要让视觉模型单独给最终结论，应接入原始系统记录、人工审核或检索来源。