从上传、拍摄、提问到校对，拆解DeepSeek图片识别的可复用流程，帮助新手快速把图片信息转为可用文字与表格。
很多用户第一次用 DeepSeek 处理图片时，习惯直接把图片丢进对话框，然后问一句“这张图写了什么”。结果有时能读出文字，有时却漏掉表格、金额或关键字段。问题通常不在模型能力，而在图片是否清晰、上传是否完整、指令是否具体。图片识别本质上是一次信息压缩与再表达，模型需要先看清像素，再理解版面，最后按用户要求输出。只要把这三个环节控制好，普通用户也能在几分钟内完成从截图到结构化文本的转换。
1. 上传入口与格式准备：让图片先被正确读取
在网页端使用 DeepSeek 时，登录后找到输入框附近的回形针或加号图标，点击后选择本地图片；移动端 App 通常提供相册和拍照两个入口。上传成功后，图片会显示在对话区域，用户可以继续输入指令再发送。如果界面没有图片上传按钮，先检查 App 是否更新到较新版本，或换用 Chrome、Edge 等主流浏览器。部分账号可能因灰度测试或版本差异暂时看不到入口，这时不要反复重装，优先查看官方公告和设置页。
格式方面，JPG、PNG、WebP 是较常见的选择，截图优先用 PNG，照片优先用 JPG，HEIC 等手机专属格式可先转成 JPG 再上传。图片长边控制在 1500 到 2500 像素通常较合适，文件大小尽量压到几 MB 以内，过大可能被压缩，过小则会丢失文字边缘。涉及身份证、合同、财务票据时，上传前应做必要脱敏，遮盖无关的敏感字段。如果一次要处理多页文档，可以先把 PDF 拆成单页图片，再按顺序上传，避免模型把不同页面的字段混在一起。
上传后还有一个容易被忽略的动作：确认图片是否完整显示。有些用户上传的是长截图，界面只显示缩略图，模型读取的却是完整文件，这时可以直接问“请先描述这张图片的版面结构”。如果图片包含多个区域，例如上方是表头、下方是明细，最好在指令中说明关注区域。把图片和文字指令放在同一条消息里发送，通常比先发图再补一句“识别一下”更稳定，因为模型能同时获得视觉输入和任务目标。
2. 拍摄与截图优化：决定识别上限的细节
拍摄纸质文档时，手机应尽量与纸面平行，避免倾斜造成透视变形。光线要均匀，避开顶灯直射产生的反光，尤其是发票、证书、铜版纸材料。对焦要落在文字主体上，不要为了拍全而让边缘文字虚化。如果文档有折痕或卷曲，可以用书本压平，或使用扫描类 App 的自动裁边和去阴影功能。拍摄手写体时，识别难度会明显上升，笔画连笔、涂改和个性化字形都可能导致错字，重要内容应尽量使用打印体或后期人工校对。
截图场景同样有讲究。聊天记录、网页表格、后台数据面板往往带有大量无关元素，先裁剪掉导航栏、广告和空白边缘，再保留表头与关键列。深色模式下的白字黑底有时不如浅色模式的黑字白底稳定，遇到识别率低时可以切换主题后重新截图。长表格不要强行塞进一张图，按行或按列切成多张，并保证每张都带表头。对于小字号内容，可以放大到 150% 再截图，但不要用锐化过度导致文字边缘出现光晕。
预处理工具能进一步提升上限。系统相册自带的增强、对比度调整、黑白滤镜，以及专业扫描 App 的透视校正、去噪、二值化，都能让文字轮廓更清楚。以发票识别为例，把发票号码、金额合计、开票日期所在的区域单独裁出来，识别准确率通常高于整张发票直接上传。表格类图片如果网格线太浅，可以手动加粗边框或提高对比度。需要强调的是，图片识别不是万能修复，严重模糊、遮挡、过曝的区域无法凭空还原，最可靠的做法是重新拍摄或重新截图。
3. 提示词设计：把“识别”变成可用的结构化结果
有效的提示词通常包含任务、范围、输出格式和异常处理四个要素。不要只写“识别图片”，而应写成“请提取图中所有可见文字，按字段名和字段值输出；如果是表格，请用 Markdown 表格呈现；看不清的内容写‘未识别’”。这样模型知道要做什么、输出成什么样子、遇到不确定时如何处理。对于发票、合同、名片等固定版式，可以直接列出目标字段，例如“请提取发票号码、开票日期、购买方名称、销售方名称、金额合计、税额，数字保留两位小数，用表格输出”。
不同场景需要不同指令。处理 PPT 截图时，可以要求“先按标题、正文、备注分区，再逐区提取文字”；处理聊天记录时，可以要求“按发言人、时间、内容三列输出，合并同一人的连续消息”；处理书籍页面时，可以要求“保留段落顺序，忽略页眉页脚和页码”。如果图片中有表格，最好指定表头名称和行列对应关系，避免模型把合计行当成普通数据。对复杂的多栏排版，可以先让模型做版面分析，再让模型逐栏提取，分两步比一次性输出更稳。
追问与校验是提示词设计的一部分。第一轮输出后，可以继续问“请逐行核对图中金额与数字，指出可能识别错误的字符”，或者“请把不确定的字段用问号标记，并说明原因”。如果模型输出了多余解释，可以要求“只保留表格，不要添加前后说明”。对于要导入 Excel 的结果，可以要求用制表符分隔或 Markdown 表格，再复制粘贴。限制输出长度也很重要，字段太多时分成多次提问，每次只处理一个区域，能显著降低漏读和串行风险。
4. 校对、追问与批量处理：让识别结果真正落地
识别结果必须经过校对才能进入正式流程。把原图放大到与输出文本并排，逐行核对数字、日期、金额、编号和专有名词。OCR 常见错误集中在形近字和数字上，例如 0 与 O、1 与 l、6 与 8、5 与 S，金额中的小数点、千分位和负号也容易丢失。发现疑问时，不要直接手工改完就结束，可以再发一条指令：“请重新查看图片中第 3 行第 2 列，确认日期是 2024 年 6 月 18 日还是 16 日，并更新表格。”多轮对话能让模型回到原图局部重新判断。
追问修正时，要给出明确位置和修改要求。例如“表头‘购买方’应为‘购买方名称’，请保持其他字段不变并重新输出完整表格”。如果模型连续两次读错，可以把该区域单独截图再上传，缩小识别范围。对于需要归档的结果，建议复制到 Excel 或 Notion 后加上校对标记，例如“已核对”“待复核”。涉及合同条款、财务金额、医疗数据时，最终版本必须由人工确认，模型输出只能作为初稿。把校对动作固定成流程，比追求一次识别百分之百准确更现实。
批量处理适合发票、快递单、名片、试卷等版式相近的图片。先定义一套字段模板和统一提示词，再逐张上传，要求每张都按同一表格输出。如果平台支持一次上传多张图片，可以分批放入，但要注意上下文长度，图片过多时模型可能混淆页面。建议每批控制在 5 到 10 张，并给每张图片加编号，例如“图 1 是 6 月发票，图 2 是 7 月发票”。最后把多轮结果合并到同一张总表，保留图片文件名和识别时间，便于追溯。隐私数据不要上传到公共对话，企业内部资料应走合规的本地部署或私有化方案。
