一句话结论
好的 caption 是说出模式和含义，而不是描述柱子。最快的做法：把图片连同关键数字一起喂给视觉模型（截至 2026 年 6 月，ChatGPT GPT-5.5、Claude Opus 4.7、Gemini 3.1 Pro 都支持读图），然后要求它只写两句话。图片让模型看清形状，你打出来的数字让它不去编造数值。Prompt 调顺之后，每张图大约 30 秒。
任务场景
你在做 deck 或仪表盘，每张图都要写 caption。弱版本是描述图本身：“Q2 营收比 Q1 涨 12%“。强版本是告诉受众”所以呢”：“营收在涨但利润率持平，下个该谈的是定价。“欧盟的数据可视化指南也是同一个意思：标题应当用十个字以内说出主旨，而不是复述轴标（data.europa.eu）。
你要的就是强版本，而且全 deck 风格一致，每张图 30 秒。
哪些情况适合让 AI 来做
- 一个 deck 里有 5-30 张图要 caption，且你想要统一的语气。
- 图本身好读：趋势线、柱状图、堆叠柱、简单的双系列对比。
- 关键数字（首值、尾值、峰值、谷值）你自己说得出来。
什么时候不要只靠 AI：密集的多轴图或小多图，模型分不清哪条系列对哪条轴；面向董事会的 deck，一句结论错就毁信任；以及受监管的报告（财报、临床结果），caption 措辞带合规含义。这些场景里，让 AI 起草，但每个数字都要人工复核。
图片和数字一起给
如今的视觉模型读图比一年前强了很多，但它们仍会看错轴，偶尔编个数字出来。补救成本很低：把截图贴上去，再把那几个关键数字打出来。图片锚定形状，你打的数字锚定算术。
Prompt 里要放：
- 图片本身（截图或导出图）。
- 图类型、X 轴、带单位的 Y 轴、系列名称。
- 你在意的数字：首值、尾值、任何峰值或谷值、你想引用的百分比变化。
- 受众：谁在看 deck，他们负责什么决策。
- 你的一句话假设（如果有）。
选哪个模型（2026 年 6 月）
三家旗舰都支持上传图片、都能给图写 caption。对这项任务真正有差别的地方：
| 模型 | 图片输入 | 读图特点 | 应用内上下文 |
|---|---|---|---|
| ChatGPT GPT-5.5 | 支持（高细节分块） | 密集、高分辨率仪表盘和小标签上表现强 | Plus 约 320 页；完整 1M 需 $200 Pro |
| Claude Opus 4.7 | 支持（长边约 2,576 px） | 最不爱编数据，读不清就如实说缺数据；CharXiv 科学图表读取相比 4.6 大幅提升 | 1M tokens |
| Gemini 3.1 Pro | 支持 | 快，Google AI Pro（$19.99/月）内额度宽松 | 1M tokens |
高风险 caption（一个数字错就致命）首选 Claude Opus 4.7：它被调成”这个值看不清”而不是硬编一个出来。给干净的 deck 批量写 caption，三家都行，挑你已经在付费的那个就好。（免费档情况：美国 ChatGPT Free 自 2026 年 2 月起带广告且额度很紧；Claude Free 用的是受限的 Sonnet 4.6。）
可直接复制的 Prompt
先贴上图片，再发这段。把每个 [方括号] 换成你的真实值，最终文案里不要留方括号。
为上面这张图写 2 句 takeaway。
图表事实（用这些数字，不要从图上读）：
- 类型：[柱 / 线 / 散点 / 堆叠]
- X 轴：[是什么 + 范围]
- Y 轴：[是什么 + 单位]
- 系列：[列表]
- 关键数：[首值、尾值、峰值、谷值、要引用的百分比变化]
受众：[谁在看 + 他们负责的决策]
我的假设：[可选，一句话]
输出规则：
- 第 1 句：最影响决策的那一个模式，用大白话说，带上面事实里的一个具体数字。
- 第 2 句："所以呢"——这件事对受众的决策意味着什么。
- 全文 25-45 字。不要轴标、不要描述图结构、不要"呈上升趋势"这类含糊动词。
- 如果我需要的某个数字不在事实里，请向我索要，不要猜。最后那条最救命：它把一次自信的编造变成一句快速的追问。
好的输出长什么样
第 1 句指出对决策最相关的模式，带一个具体数字。第 2 句收尾：读完后受众该做什么、看什么、问什么。总长 25-45 字，超出就是模型在打太极。
- 弱：“这张图展示了四个季度的营收，其中 Q4 是最高的柱子。”
- 强：“Q4 营收涨 12% 到 420 万美元，但全年毛利率稳在 38%，所以下一个抓手是价格而不是销量。“
怎么判断结果能不能用
- 不看图读一遍。如果只有开着图才读得懂，那它太单薄。
- 确认每个数字都能追回你打的事实，而不是模型从图上读来的。
- 检查”所以呢”那句是否绑定到受众的真实决策，而不是泛泛的”值得关注”。
一次过把整份 deck 写完
最常见的毛病是同一份 deck 里多张 caption 互相打架。解法是在同一个对话里写：先把 deck 的整体叙事给模型，再一条消息发一张图。它会把这条主线一直留在上下文里，避免第 7 张图把第 2 张的结论拆台。Opus 4.7 或 Gemini 3.1 Pro 的 1M token 上下文，足够把一份 30 张图的 deck 装进一个对话。
FAQ
- 能直接贴截图吗？ 能。GPT-5.5、Opus 4.7、Gemini 3.1 Pro 都能读图。但仍要把关键数字打出来，作为数值准确性的兜底。
- 哪个模型最不爱编数字？ Opus 4.7 被调成读不清就如实报缺数据，而不是发明一个，所以截至 2026 年 6 月，高风险 caption 选它更稳。
- caption 要多短？ slide 上 25-45 字；仪表盘格子空间紧，控制在 25 字以内。
- 每张图都要 caption 吗？ 只有承载论点的图要写。装饰图或背景图不用。
- 免费档够用吗？ 能用，但有限。ChatGPT Free（美国自 2026 年 2 月起带广告）和 Claude Free 都能读图但额度有上限；整份 deck 还是用付费档，免得做到一半被限流。