一句话结论：让 AI 识别图片时，应同时说明观察目标、输出字段、未知值处理方式和证据要求；如果要交给程序使用，优先要求结构化 JSON 并在程序端校验。
这篇教程依据 OpenAI 图像与视觉文档整理，适用于票据初步整理、截图分析、产品照片分类和图表读取。视觉模型可能看错小字、遮挡内容和复杂图表，结果不能替代人工审核。
识图任务的四项说明
- 目标：是描述、分类、读取文字，还是找出异常。
- 范围：只看整图，还是指定某个区域。
- 输出：自然语言、表格或 JSON。
- 不确定性：看不清时输出 null 或“无法确认”，不要猜。
可复制的识图提示词
请分析这张商品图片，只依据可见内容回答。
输出 JSON，字段为：
{
"product_name": "商品名称，无法确认时为 null",
"visible_text": ["图片中能准确读出的文字"],
"main_colors": ["主要颜色"],
"scene": "场景描述",
"uncertainties": ["看不清或无法确认的内容"]
}
不要臆测品牌、价格、型号或图片外的信息。如何提高识别质量
- 上传清晰、方向正确的原图，避免反复压缩。
- 告诉模型需要读哪一块区域，复杂图片可以裁剪后分别分析。
- 先让模型描述可见事实，再做分类或判断，减少一步到位的猜测。
- 在代码中校验 JSON 字段和类型，解析失败时记录原始响应并进入人工队列。
图像识别的边界
图片里的微小文字、模糊号码、遮挡部分、复杂表格和医学影像都可能被误读。不要让模型单独决定付款、身份、医疗处置或安全告警。涉及个人照片和证件时，先确认授权、保存周期和访问权限。
常见问题
为什么要要求 JSON？
固定字段便于程序消费和批量处理，但仍要在服务端用 JSON Schema 或代码再次校验。
模型能读取任何图片文字吗？
不能。分辨率、字体、反光、旋转和遮挡都会影响识别。
一张图识别不准怎么办？
裁剪目标区域、提高分辨率、补充任务说明，并让模型列出不确定字段。
能让 AI 判断图片真假吗？
不能仅凭一次视觉回答下结论。真伪鉴定通常需要来源、元数据和专业检测。
是否需要记录模型版本？
需要。生产系统应记录模型、输入、提示词、时间和人工修正，便于复盘。
信息来源与说明
本文参考 OpenAI Images and Vision 官方文档整理。实际支持的图片格式、尺寸和费用以当前 API 文档为准。