多模态产品设计：摄像头不是“另一种输入框”

把图片上传按钮加到聊天框，只是多模态能力的起点。视觉输入往往连续、含糊且包含大量无关信息，产品需要帮助用户明确系统看到了什么、将如何使用。

让感知结果可确认

在执行高风险动作前，应展示关键识别结果，让用户纠正对象、范围或意图。一个轻量的确认步骤可以避免昂贵错误。

默认减少数据暴露

摄像头和麦克风可能捕获旁观者、屏幕和位置等敏感信息。产品应明确采集时机、保存期限与本地处理能力。

优秀的多模态交互不是让 AI 看得更多，而是让它在正确时刻看必要的信息，并让用户始终理解系统状态。