Multimodal

Multimodal（多模態）描述的是 AI 能同時處理多種類型輸入的能力。「模態」指的是資訊的類型——文字是一種模態、圖片是一種模態。Claude 的多模態能力目前主要包含：文字（一直都有）、圖片（截圖、照片、圖表）、PDF 文件（上傳 PDF，Claude 能讀取全文）。這意味著你不再需要把所有資訊手動轉換成文字——你可以直接上傳截圖問「這是什麼問題」，上傳合約問「有什麼不合理的條款」，上傳圖表問「這個趨勢說明了什麼」。 重要的是：多模態指的是「理解」多種輸入，不是「生成」多種輸出。Claude 能看懂圖片，但它不能幫你生成圖片——那是 DALL-E、Midjourney 等圖像生成模型的工作。

多模態能力解決了一個長期存在的 AI 使用障礙：「你的資訊不一定是文字格式的」。在只有文字 AI 的時代，如果你想讓 AI 分析截圖或圖表，你必須把圖片裡的文字手動打出來——費時又容易出錯。多模態 AI 消除了這個轉換的需要，讓 Claude 能直接「看」和「理解」非文字資訊。技術上，這是透過視覺編碼器（Vision Encoder）把圖片資訊轉換成 Claude 能理解的向量表示，和文字資訊一起送入語言模型處理。

多模態能力對日常 Claude 使用影響廣泛。截圖分析（最常用）：電腦出問題，直接截圖丟給 Claude 問「這是什麼問題怎麼解決」，比手動輸入錯誤訊息快很多。文件分析：收到 PDF 直接上傳，問 Claude「這份文件的重點是什麼」。圖表解讀：截圖問 Claude「這個圖表說明了什麼趨勢」。視覺設計回饋：把設計稿截圖給 Claude，問「這個佈局有什麼問題」。

多模態的實用技巧：上傳圖片時說清楚你想要什麼——「這個 Python 錯誤訊息是什麼原因？我在用 Flask，Python 3.11。」比只說「這是什麼？」效果更好。PDF 注意事項：超過 100 頁的 PDF 只上傳相關章節；有複雜表格時說「請特別注意第 X 頁的表格」。圖表分析：「請描述這個圖表的主要趨勢，包含具體數字」——明確要求包含數字讓分析更有用。