MiniMax 智能体怎么用？多模态协作

MiniMax 的智能体产品把搜索、看图、语音、文档解析放进同一个任务里跑，和只会文字问答的助手差别明显。它的价值不在能聊，在于能接住一份图文混排的资料，拆成几步做完。但步骤一多，出错的地方也多，用法的关键是先让它交计划、再让它动手。

多模态改的是输入，判断标准没变

普通助手吃文字，多模态智能体还能吃图片、PDF、表格截图和音频。输入范围扩大了，验收方式没有变：结论有没有出处、关键数字对不对、能不能回到原始材料核对。

所以别被「能看图」带偏。它读得出合同照片上的字，不代表读对了金额；能解析扫描报告，不代表表格行列没错位。能力扩展之后，核对量通常也跟着增加。

判断一次任务值不值得用它，看两条：输入是不是混杂的，步骤是不是超过三步。两条都占，用它；只占一条，普通助手可能更快。

先要计划，再让它动手

一句「帮我整理资料并做成汇报」，它会直接开做，中途你插不上手。改成两步：先让它输出步骤清单，每条写清输入、产出、需要你补的材料；你改完清单，再说执行。

计划盯三处：产出物是否可检查（一份表、一段摘要），而不是「分析完成」这种无法验收的描述；步骤之间有没有依赖；哪一步需要你补材料。

拆解粒度以「一步一个产物」为准。十步的计划看着细，每步都没产出，执行到一半就会自由发挥。

图文混排的资料怎么喂

一次给一类材料。图片和 PDF 混着传，它容易把两边的数字串在一起，还串得毫无痕迹。先处理文档拿结论，再单独核图片。

图片质量直接决定结果。正拍、光线均匀、单页完整、没有遮挡，四条缺一条就丢行。别用广角凑近拍文件，边缘会拉伸，表格跟着歪。

让它标出处：「这条结论来自第几张图、第几页」。标不出来源的结论，当作它推出来的，不要直接写进交付物。表格截图尤其要核，错一行，后面所有汇总都跟着错。

语音与文档：先转写，再结构化

音频进多模态智能体，实际走的是先转写再理解。转写错一个专有名词，后面所有推理都建立在错的前提上，而且看起来依然通顺。所以先别让它总结，先让它把转写稿吐出来，你自己扫一遍人名、数字、型号。

文档解析的坑集中在三处：扫描件识别质量、双栏排版顺序、页眉页脚混进正文。解析完先让它复述目录，目录对不上，后面不用看。会议类长音频的分段思路，可以参考实时记录在会议场景的用法。

结构化前先把字段定死。每条记录固定为时间、事项、负责人、状态，四个字段缺一不可。字段固定，几十条输出才能拼成一张表。

协作适合什么，四类任务怎么分工

适合可以并行的子任务：一个查资料、一个核对数字、一个改写措辞，最后汇总。子任务之间不互相依赖，谁先完成都不影响别人，这种结构才用得上协作。

不适合强依赖上下文的任务。写一篇统一口径的报告，几个智能体各写一段，语气和判断标准都不一致，返工比重写还慢。同一份报表的多个数字，分开处理也对不上。

并行之前先定接口：每个子任务输出哪些字段、什么格式、多长。接口定好，汇总是一次拼接；没定，汇总就是重新整理。任务复杂到需要多想几步时，可参考深度思考的开启判断，先分清哪步要推理、哪步只是搬运。四类任务的分工见下表。

表格的最后一列比中间那列更有用。出现失败信号时，正确动作是退回上一步重做，而不是在下一步里补描述——错的前提不会因为后面的描述变细而变对。

中间节点为什么必须人工确认

多步骤任务的风险不在单步出错，在于错误会传递。开头把「三百万」读成「三十万」，后面所有汇总都建在这个数上，每步看着都合理。

四类节点必须停一下：数字与单位、对外发送的内容、涉及时间与责任的承诺、需要付费的动作。这四类的共同点是错了要承担后果，返工成本高。

确认的方式要具体。别问「这样对吗」，要问「这个数字来自第几页第几行」。前一种问法它多半答「对的」，后一种才能逼出出处。

它做不到什么

它读不出图片之外的意图。白板照片它能抄下字，分不清哪条是被否决的方案；合同批注它能读，不知道批注算不算数。

它不保证跨步骤的口径一致。同一批任务里，前面用万元、后面用元，它不会主动提醒。口径要你在计划阶段就写死，写进每一步的输入输出里。

它也不替你决定要不要做。多模态扩展了能处理什么，不改变该不该做。对外发布的内容，最后一遍必须由人通读。素材规范可以借品牌素材库的做法统一，判断仍在人这边。

多模态智能体速查

• 先要计划，再要执行，一步一个产物
• 一次给一类材料，图片正拍、单页、无遮挡
• 结论必须标出处：第几张图、第几页
• 并行任务先定接口字段，再谈协作
• 数字、外发、承诺、付费，四类节点人工确认

三个实操疑问

• 图片有点模糊，还能用吗？：看关键信息是否可辨。金额、日期、编号模糊就重拍，别让它猜。它会根据上下文补一个看起来合理的数字，这才危险。
• 长文档要切多细？：按章节切，不按页数切。一章跨两段的切法会让前后文都失去上下文，切口落在标题上，每段才能独立成立。
• 多步骤任务失败了从哪一步重来？：回到最后一个验收通过的步骤。中间产物保留，别整段重跑——重跑引入新差异，排查时两个变量一起动，找不到原因。