多模态

Multimodal

AI 编程也叫：多模态模型、图文理解、识图

一句话：模型不只能处理文字，还能理解图片、截图、设计稿等多种类型的输入，有的还能生成图片或语音。

详细解释

纯文本模型只能「听你描述」，多模态模型还能「看图」。对前端新手来说很实用：一张截图往往比一大段文字更能说清问题，比如「这里的间距不对」「按钮被遮住了」「我想要这种布局」。

常见用法有：把设计稿或参考页面的截图发给 AI 让它照着实现（截图生成代码）；把页面错位的截图发给它，让它定位样式问题。

要注意，模型看图也会看错细节，比如具体的像素值、颜色值、小字内容。最好在截图旁补充文字说明，指出你关心的区域；报错信息尽量复制文字原文，而不是只发截图。

可以直接贴给 Cursor、Claude Code 等工具，把里面的业务内容换成你自己的。

附图是手机上订单页的截图，红框标出的区域里，价格文字和按钮挤在一起，还超出了卡片右边。请根据截图找出对应组件的样式问题，修改后在 375px 宽的屏幕上也能正常显示，桌面端保持不变。