廷哥带你小路超车打字不如说话，说话不如截图——这句话我做了大半年AI代码助手的副驾驶之后，感触越来越深。以前我总以为提示词写得好不好是决定AI编程上限的关键，后来发现真正的瓶颈根本不是模型懂不懂，而是我怎么把脑子里的想法无损地传给模型。一行报错堆栈，我复制粘贴要三秒，截图只要一秒；一个界面要改样式，我打两百字描述可能还没一张截图直观；一个复杂的重构意图，敲半天文字不如直接语音讲一遍。多模态输入这件事，本质上是把“人向AI翻译自己”的成本降下来。
这篇文章就围绕AI代码助手的多模态输入实践展开，聊聊我用文本、语音、截图三种方式配合编程的真实经验：为什么要这么用、具体怎么操作、哪些环节容易翻车，以及工具怎么选。无论你是刚接触AI编程的新手，还是已经在用AI提效的老手，这篇文章应该都能给你一些可以直接抄走的思路。
1. 多模态输入的底层逻辑：我们到底在和AI传递什么
1.1 纯文本输入的隐藏成本：转述损耗
先说一个我自己的观察。很多人用AI代码助手觉得“不够聪明”，其实不是模型笨，而是我们给它的信息经过了太多层转述。举个例子：页面上有个按钮位置偏了，你如果打字告诉AI“按钮应该居中，间距大一点”，模型只能靠猜。它不知道你现在页面长什么样、按钮在哪个容器里、父元素是什么布局、附近有什么元素在干扰定位。你把这些全部打出来，好一点的情况是一大段描述，差一点的情况你根本遗漏了关键信息。而截图直接把视觉上下文全给过去，模型能自己看。
这就是转述损耗。人类用自然语言描述视觉信息时，本质上在做有损压缩：脑中的画面先转化成语言，再由语言触发模型的想象，两步都可能丢细节。说话比打字好一点，因为语音带语气、带停顿，你能更自然地表达优先级和情绪——哪块是重点、哪块是大概思路；而截图则是无损通道，所见即所得，像素级的细节模型直接拿原始数据。
所以多模态输入不是“花活”，而是把信息传递从有损压缩变成直连。能截图的地方截图，能说话的地方说话，文本用来做精确约束和补充说明。三种模态各有分工，组合起来才是完整的表达链路。
1.2 三种输入方式的定位与分工
我用了一段时间以后，逐渐形成了自己的使用习惯，这里用一个表格来对比三种模态各自的定位：
| 输入方式 | 信息密度 | 表达意图的擅长场景 | 主要局限 | 我的使用频率 |
|---|---|---|---|---|
| 文本 | 中 | 精确约束、技术细节、代码逻辑、显式规则 | 转述视觉信息时损耗大，长描述容易遗漏 | 最高，但主要用于补充和收尾 |
| 语音 | 中高 | 模糊需求、整体思路、重构方向、解释背景 | 环境噪音、转写错误，不适合精确代码片段 | 中等，用于开场和思路说明 |
| 截图 | 极高 | 界面UI、报错信息、数据样式、文档表格 | 看不清时纯属噪音，单一截图无法表达动态逻辑 | 高，凡是能截图我就不打字描述 |
这个表格背后是我实际踩坑总结出来的规律。凡是“看得见”的问题，一律截图；凡是“说不清”的思路，先用语音说一遍；凡是“必须精确”的约束，最后用文本写清楚。 处理顺序永远是截图优先，语音辅助，文本收尾。
1.3 交互模式设计的核心原则
把三种模态组合起来，