DeepSeek这次大范围开放识图模式，不是简单挂个OCR插件，而是多模态大模型从demo走向production的硬切。纯文本时代那套prompt模板，在图像输入面前直接segmentation fault——不是语法崩，是认知崩。你得告诉模型看哪，而不是让它猜。

这就像从单线程debug切换到并发编程。以前写prompt只需管上下文窗口的token流，现在得同步处理视觉噪声、空间关系和语言指令的交叉引用。上传一张BOM表截图，问"哪里缺料"，传统的"请详细分析"会触发幻觉；你得下视觉锚点：“先看左上角IC编号列，再交叉比对数量栏”。

更隐蔽的坑是，图像分辨率、裁剪方式都会变成隐式超参数。提示工程接下来要分叉：文本prompt和视觉prompt，中间还要做跨模态alignment。做应用的这帮人，赶紧把产品图都拖进去重新测一遍吧，旧mapreduce的思维该refactor了。