按任务选择 AI 能力与输入

先确定产物，再决定需要哪种能力

面对一项任务，可以先问：最后需要一段文字、一张表、一张图片，还是一个实际完成的操作？再看输入是什么形式，以及结果需要多高精度。这样的判断，比先选一个热门工具再把任务塞进去更直接。

例如“把活动公告整理成通知”主要是文字处理；“从小票提取金额”需要图像或文字识别；“把金额精确汇总”需要计算；“把结果保存进系统”需要写入工具。一个任务可能跨越多种能力，并不是选择了大模型就自动拥有全部能力。

常见任务与输入输出怎样对应

这一张表也解释了“聊天模型”和“AI应用”的区别。应用可以把模型、解析器、搜索和业务工具组合起来。评估一个产品时，要看它如何完成整项任务，不能只看模型名字。

为什么不建议一开始上传所有材料

无关文件会增加阅读与筛选负担，过期资料可能与新资料冲突，图片里的可复制文字又可能在识别过程中引入错误。材料越多，并不自动意味着答案依据越充分。

假设要写活动通知，时间地点在文字公告里，路线在平面图里，主持人开场白在音频里。先写通知正文时，相关公告通常已经足够；要补路线再提供平面图，要写主持稿再处理音频。每次增加材料，都应有明确用途。

技术术语也可以转成选择问题

多模态意味着能处理哪些信息形式；上下文容量意味着一次可以容纳多少输入；工具调用意味着能否请求外部操作；结构化输出意味着结果能否按约定字段交给软件。把功能名称翻译成任务条件，就容易判断自己是否需要它。

不要把“能上传”“能联网”“能调用工具”理解成质量保证。还要测试输入是否读对、来源是否合适、工具是否真的执行成功。功能存在与功能在当前任务中可用，是两次不同的判断。

什么时候需要学习下一阶段的API

如果只是偶尔在聊天里处理个人任务，直接使用应用可能已经足够。希望把模型嵌入自己的表单、批量处理重复输入、连接业务数据，或控制多步执行时，就会遇到API。

下一阶段会从一次请求与响应讲起。你不需要先学会编程，就能看懂应用怎样把问题交给模型，以及怎样在此基础上增加资料、工具和Agent。