企业官网建设流程全解析

老孙带了 6 人小队，给省级应急厅做灾情快报助手。客户口头说得很轻巧：现场照片进来，判断灾种、要不要建议封路、画面里有没有可见伤亡、有没有危化品标识。文字工单只是辅证，图才是主证据。

结果第一周就炸了。Qwen 把夜景路面积水当成流域性洪水，封路建议写得比市长还急；DeepSeek 眼力还可以，却把车牌、人脸、工牌号写进结论；Kimi 窗口一短，只啃了文字描述，图还没对齐就开始编灾种。群里改了三天提示词，线上又漂回去。隔壁老同事路过甩下一句：别再拿聊天记录当验收单，把图文契约、模态对齐、脱敏红线和跨模型一致性写进 SPEC。

多模态应用到底在管什么

很多人把多模态理解成「模型能看图」。2026 年真正卡住交付的，不是能不能看，而是图和字各能说什么、互相打架时听谁的、敏感画面怎么处理。

可以把它想成应急值班室：照片是现场回传，文字是值班员口述。图文契约规定照片允许支撑哪些结论、文字只允许补充哪些字段；模态对齐规定图文冲突必须升级，不许模型自行和稀泥；脱敏红线规定人脸、车牌、工牌不得进入对外结论；跨模型一致性规定换一个基座，这套规矩还得成立。

它和检索、结构化输出不是一回事。检索管从哪找材料，结构化输出管交出去的单子算不算过关，多模态应用管的是这张现场照片和这段口述，到底许不允许合成同一条结论。

四件套可以写得很短：

• 图文契约：灾种、封路、可见伤亡、危化标识必须以图像证据为据；文字只能补报时间、地点、上报单位。
• 模态对齐：图文冲突或图像模糊，一律升级人工，禁止用文字覆盖图像。
• 脱敏红线：人脸、车牌、工牌、证件不得写入结论；不确定就升级。
• 跨模型一致性：同一批图文样本，在不同基座上必须给出同一套通道和升级理由。

为什么 2026 必须认真对待

交付已经从「能聊两句」变成「能进值班系统」。一张图判断错灾种，封路建议会直接顶到指挥屏。

多基座视觉能力差一个数量级。有的模型看图准但嘴碎，有的模型文字服从度高却会忽略图像。同一套口头规则，在 Qwen、DeepSeek、Kimi 上服从度差很多。

规则写在群公告里最容易漂。今天加一条「不要写车牌」，明天又加「伤亡不确定就升级」，版本只存在群聊里，值班员对不上。

私有化最吃这一套。应急现场照片出不了域，本地脚本 Mock 对不齐真实图文对，线上才暴露模态冲突。

落地时最常见的三道坎

环境不稳。本地用几张清晰示例图，云端来的是夜景、逆光、压缩糊图，脚本和人工感觉对不齐。

模型不灵。一套提示词往往只在某一个基座会老老实实看图，换一个就把文字描述当成了事实。

规则易飘。枚举灾种、封路阈值、脱敏字段改在群里，没有人能回答「现在线上到底以哪一版为准」。

MonkeyCode 在这条链路上的位置

我们把试点放到 MonkeyCode 上，不是因为它能替你看图，而是因为它把环境、模型和规则放到同一处。

免安装云端环境，浏览器打开就能跑图文样本，不用每人本地配一堆视觉依赖。

GLM、Kimi、MiniMax、Qwen、DeepSeek 多模型一键切换，同一批现场图交叉验证，谁在编灾种、谁在泄车牌，当场能看出来。

需求与 SPEC 管理把角色、红线、图文契约、重试和升级条件固化下来，不再靠群公告。

完全开源，可私有化，现场照片和工单不出域。

三步把图文规则跑通

第一步，新建任务。主实验选 Qwen，对照选 DeepSeek，再加一条 Kimi 短窗口基线，专门观察「图还没看完就开始编」的情况。

第二步，把规则写进 SPEC，而不是写进群。

• 角色：省级应急厅灾情快报多模态助手。
• 红线：不编造灾种和伤亡；不确定就升级人工；人脸、车牌、工牌、证件号脱敏。
• 图文契约：disaster_type 必须以图像为据，枚举 flood / landslide / fire / chemical / other；road_closed 只能在图像出现阻断或官方封路标识时为 true；visible_casualty 只允许 visible / none / uncertain；hazard_sign 看图中危化标识，禁止用文字猜测。
• 文字字段：event_time、location、report_unit 可来自口述，缺了标 uncertain，不许补全。
• 对齐：图像模糊、图文冲突、多灾种并存，一律 upgrade=true。
• 校验：解析失败或缺必填重试一次，仍失败升级；禁止在图像未分析完成前输出结论。
• 输出：灾种、是否建议封路、可见伤亡、危化标识、是否升级、原因。不对用户展示思维链。

第三步，同批 20 条口述加现场图对比。

编造图中不存在的灾种，从 6 条降到 0；把积水写成洪水并建议封路，从 5 条降到 0；把车牌和人脸写进结论，从 4 条降到 0。Kimi 短窗口截断、只看文字不看图的情况，被回退拦住，进了升级队列，而不是直接进指挥屏。

四点建议

小任务试点。先用 20 条图文样本，不要一上来接全部值班通道。

规则写进 SPEC。图文各能证明什么、冲突听谁的、脱敏到哪一步，写成可验收条款。

多模型交叉验证。至少准备一个强视觉对照和一个短窗口基线，别只在一个基座上自我感觉良好。

敏感数据私有化。现场照片、人脸和车牌出不了域，开源可私有化比把图传到公网试用更合适。

多模态应用不是「模型能看图」的演示，是把图和字的权力边界写清楚。2026 年，能进系统的助手，都得过这一关。