阶段学习任务单：AIGC 与多模态
这个阶段的目标是让你把文本、图像、语音、视频和文档等多种输入输出组织成一个可交付的 AI 应用。重点不是单次生成效果多惊艳，而是输入质量、版本记录、人工审核、版权边界和最终交付流程是否清楚。
本阶段必须完成的任务
| 任务 | 产出物 | 通过标准 |
|---|---|---|
| 理解多模态输入输出 | 一张多模态链路图 | 能说明文本、图片、音频、视频和文档如何进入系统 |
| 跑通图像理解或生成 | 一个最小 Demo | 能记录输入、Prompt、输出和人工筛选结果 |
| 完成文档或截图理解 | 一个多模态解析样例 | 能保留来源页码、区域或截图证据 |
| 加入审核与交付流程 | 一份审核清单 | 能检查版权、肖像、敏感内容和事实风险 |
| 完成阶段项目 | 一个多模态作品或创意工作台 | 有输入输出、版本记录、审核、导出和 README |
推荐学习顺序
先理解多模态系统的输入输出边界，再学习图片理解、图片生成、视频/语音生成和多模态应用。不要把生成结果只当成审美问题，要记录需求、素材、Prompt、版本、人工筛选和交付格式。
多模态项目要特别注意来源和权限。外部图片、人物肖像、音乐、视频片段、PDF 内容都可能涉及版权、隐私或安全边界，作品集里要说明使用范围和审核方式。
和 AI 学习助手项目的关系
本阶段可以对应 AI 学习助手 v1.0：理解课件截图、PDF、语音笔记和图文资料，并生成复习卡片、图文总结或演示材料。它也可以作为毕业项目的展示层。
建议最小功能包括：输入一张课程截图或 PDF 页面，提取关键信息，生成结构化摘要，并保留来源引用和人工确认记录。
常见卡点
常见问题包括图片太糊导致理解错误，PDF 表格解析混乱，生成图片不符合用途，视频分镜不连贯，素材来源不清，生成结果无法导出或复用。排查时先看原始输入质量、Prompt 版本、生成参数、人工筛选和审核记录。
阶段作品集交付物
如果你想把本阶段成果沉淀到作品集，建议至少保留下面这些文件或等价材料。
| 交付物 | 说明 |
|---|---|
multimodal_pipeline.md | 输入、解析、生成、审核、导出的系统链路 |
prompts/ | 多模态 Prompt、参考图、负面提示和版本记录 |
outputs/ | 生成结果、候选版本、人工筛选理由和最终交付文件 |
safety_review.md | 版权、肖像、敏感内容、事实性和使用边界检查 |
README.md | 项目目标、运行方式、素材来源、示例输出和限制说明 |
这些材料会让多模态项目从“生成一个好看的结果”升级成“能解释需求、来源、版本、审核和交付边界的完整作品”。
阶段通关问题
学完后，你应该能回答这些问题：多模态输入为什么需要保留来源，图片生成为什么要记录 Prompt 和版本，PDF/截图理解为什么要检查证据，内容生成为什么需要人工审核，什么时候多模态能力适合接入 RAG 或 Agent。
完成状态 Checklist
- 我能解释一个多模态应用的输入 、处理、输出和审核链路。
- 我能跑通图像理解、图像生成或文档理解 Demo。
- 我能记录 Prompt、素材、候选输出和筛选理由。
- 我完成了版权、肖像、敏感内容和事实风险检查。
- 我已经把多模态能力接入一个可展示项目或毕业作品。