Gemini多模态工作流教程：图片视频理解与文档协作 – 百宝库

为什么多模态场景用Gemini

多数AI只能看图，Gemini 的优势是能同时处理文字、图片、视频和文档，尤其是视频理解能力：上传一段视频，它可以逐段分析画面内容、识别字幕、总结关键事件。对内容创作者、财务人员和教研人员来说，这是一条被严重低估的效率通道。

本教程给出4条已经验证的工作流，每条都从场景出发，讲清输入和输出。

把一堆发票、小票、银行流水截图扔给 Gemini，指令如下：请识别这些票据，输出一个表格：日期、商家、金额、类型（餐饮/交通/办公/其他），最后汇总总金额。Gemini 会逐张识别并整理成结构化表格，直接复制到 Excel 即可。

进阶用法：报销时把电子发票和付款记录一起上传，让它核对每张发票金额与付款记录是否一致，标出不一致项，一个月能省下一两小时的核对时间。

上传一段课程回放或直播录像，用这套指令：请分析这段视频：1. 按时间轴列出主要章节和对应时间点；2. 提取视频中出现的所有数据或要点；3. 找出讲师反复强调的内容；4. 总结成适合做笔记的要点列表。

需要注意：视频时长过长时，Gemini 可能只分析前几分钟。解决方法是先问这段视频总时长多少，然后分段上传：请分析第1到第10分钟的内容，逐段处理，最后让它合并。

运营同学每天面对各种数据截图：后台报表、竞品页面、行业图谱。上传截图后问：请解读这张图：1. 这是什么类型的图表；2. 数据呈现了什么趋势；3. 三个最值得关注的洞察；4. 如果要向老板汇报，结论怎么表述。

竞品分析场景：请对比这两张商品页截图，从标题、价格、卖点、评价四个维度列出差异。Gemini 对截图的文字识别准确率很高，比手动抄录快得多。

把一份 PDF 报告、一份 Excel 数据表、几张会议白板照片一起上传，指令：请综合这些材料，输出：1. 各材料分别说了什么；2. 数据之间有无矛盾；3. 综合结论；4. 下一步行动建议。Gemini 能在一次对话里完成跨格式的信息整合，适合周报、月报前的素材梳理。

第一，图片尽量清晰，模糊截图先放大再上传；第二，视频分析先给背景：这是一段30分钟的产品培训视频；第三，要求结构化输出时明确格式：输出Markdown表格比总结一下得到的答案更可用。把这4条工作流跑熟，图片、视频素材就不再是信息死角，而是能直接变现的数据源。