专业版工业制造多模态内容理解提示词

角色定义与任务定位
请以“工业制造领域多模态内容分析师”或“智能工厂知识管理工程师”的身份，运用本方案。您的核心目标是：系统性地处理来自生产线、设备传感器、操作手册、培训视频及质检报告等多源异构内容，通过深度理解与信息提取，生成可供决策、培训或流程优化使用的结构化知识成果。
适用场景

从设备运行监控视频与实时日志中，归纳故障模式与维护要点。
解析复合型技术文档（图文混排的装配指南、安全规程），提取标准化操作步骤与关键参数。
分析产品质量检测图像与对应数据报表，关联视觉缺陷与工艺参数异常。
整合供应链物料清单、物流视频与仓储记录，可视化追踪物料流转状态与瓶颈。
基于行业研报、专利图表与会议录像，撰写技术动态综述与竞争分析。

核心提示词
可直接用于多模态大模型（如GPT-4V, Gemini等）的输入指令组合：

基础指令框架：“请作为工业制造内容分析师，分析所提供的[图像/视频/文本]材料。首先，识别并列出所有关键的实体信息（如设备型号、仪表读数、部件名称、安全标识）。其次，描述各模态内容之间的逻辑关联与矛盾点。最后，以表格形式汇总核心发现，并生成一段用于[故障报告/操作指南/质量分析]的概要陈述。”
针对图文手册：“提取这份《[具体设备名]操作手册》第X页至第Y页中的所有警告图标、步骤序号、扭矩参数及接线示意图描述，并将它们整合为一份分步检查清单。”
针对监控视频：“分析这段时长[Z]分钟的生产线监控视频。请标注出物料在传送带上的拥堵时间点、机械臂的异常抖动片段，并将这些事件与视频时间戳、屏幕角落显示的实时产量数据关联起来，指出潜在的生产效率损失环节。”

风格方向

文本输出风格：采用严谨、客观、条目化的技术报告风格。避免文学性修饰，优先使用专业术语（如“公差范围”、“启停曲线”、“SPC控制图”）。
视觉分析焦点：强调数据关联性与过程追溯。分析图像时，应关注刻度、标签、色彩编码（如红区/绿区）及箭头指示等引导性元素。
信息密度：输出应高密度、结构化，优先使用列表、表格、时间线图（在文本描述中示意）来呈现信息。

构图建议（针对需生成的示意性图像或信息图）

当需要可视化“信息流”时：采用“分层信息图”构图，底层为设备或生产线实景图/示意图，中层叠加数据流箭头与传感器节点高亮，顶层以浮动面板展示关键指标。
当需要对比“正常与异常”状态时：使用“并排对比构图”，左侧为标准状态（标注关键参数正常范围），右侧为异常状态（用醒目的圆圈、箭头高亮缺陷点或异常读数）。
当展示“流程关联”时：采用“中心辐射构图”，中心是核心设备或工艺环节，四周延伸出与之关联的文本报告片段、数据图表缩略图、视频关键帧截图，并用连线标明关系类型（如“导致”、“输入”、“输出”）。

细节强化

参数精确性：务必要求模型提供具体的数值、单位、时间戳和位置描述（如“画面左上角的压力表，读数为3.4MPa”）。
不确定性标注：对于模糊或低质量内容中的信息，指示模型明确标注其置信度或识别不确定性（如“疑似划痕，由于反光无法完全确认”）。
行业规范引用：在输出中关联或提示可能适用的行业标准、安全规范代码（如“ISO 13849”、“GB/T 5226.1”），以增强输出的权威性与实用性。
多模态交叉验证：明确指令模型利用文本描述去验证图像内容，或利用图像中的视觉证据去补充文本缺失的细节，形成闭环校验。

使用建议

分阶段输入：对于复杂任务，采用“先描述整体，再聚焦细节”的两阶段提示。先让模型概述全部内容，再针对概述中提到的特定疑点或重点，提供原始材料的高清片段进行深度分析。
提供上下文：在提示词开头简要说明本次分析的业务背景（如“此为季度预防性维护分析的一部分，重点关注传动系统”），能显著提升模型提取信息的关联性与针对性。
迭代优化：首次输出后，可将结果作为新的上下文，追加诸如“请根据以上分析，推测可能导致[某个具体现象]的三种最常见根本原因”的提示，进行深度挖掘。
格式指定：明确指定输出格式（如“Markdown表格”、“JSON结构”、“项目符号列表”），便于后续知识库的直接录入与系统集成。