前言

作为一名NLP开发者，你可能每天都在和Prompt打交道——无论是情感分类、实体抽取，还是让大模型“看图说话”。但你是否想过：摆脱庞大的SDK，只用一行fetch，就能同时驾驭文本理解和图像生成？

本文将带你从Prompt在NLP中的经典应用出发，一路进阶到多模态图像生成，并手把手演示如何用原生HTTP请求调用阿里云通义万象（qwen-image）API，通过多张参考图+文本指令精准生成新图像。全文无SDK依赖，只有最纯粹的fetch实战。

---

一、Prompt在NLP中的“基本功”：情感推断与信息提取

Prompt（提示）是引导大语言模型完成特定任务的输入。在纯文本领域，它早已被证明是“四两拨千斤”的利器。

1. 情感推断（Sentiment Inference）

通过设计简单的Prompt，可以让模型判断一段文本的情感倾向。

Prompt: 请判断下面评论的情感是「正面」还是「负面」。
评论：等了两个小时才上菜，服务员还板着脸。
情感：

模型输出：负面

更高级的用法包括Few-shot Prompting（给几个例子再提问）和Chain-of-Thought（引导模型逐步推理）。

2. 信息提取（Information Extraction）

从非结构化文本中抽取出结构化信息，例如命名实体识别、关系抽取。

Prompt: 从以下文本中提取「人名」「组织名」「地点」。
文本：马斯克在SpaceX总部宣布，星舰将于2026年从火星基地起飞。
输出格式：JSON

模型输出：{"人名":"马斯克","组织名":"SpaceX","地点":"火星基地"}

核心洞察：无论任务多么复杂，Prompt本质上都是用自然语言向模型下达清晰的指令。而当我们把这种能力扩展到“图像+文本”的多模态场景时，Prompt的魔力被再次放大。

---

二、跨入多模态：从文本生成到图像生成

传统图像生成（如GAN）需要大量训练数据。如今，多模态大模型允许我们通过自然语言+视觉输入来生成或编辑图像。

• 文本到图像：Prompt = “一只穿西装的柴犬” → 模型输出图像。

• 多模态Prompt：文本指令 + 参考图像1 + 参考图像2 → 模型综合理解并生成新图像。

这就像给了模型三样东西：“图1的人物 + 图2的裙子 + 图3的姿势” → 它就能生成“图1的女生穿着图2的裙子摆出图3的姿势”这张新图。这才是Prompt工程在视觉领域的杀手级应用。

---

三、实战：用原生Fetch调用多模态生成API

很多人习惯用OpenAI SDK（如openai.createImage），但它的本质也不过是一次HTTP请求。用原生fetch的好处是：

• 无需安装和维护SDK版本

• 可以直接看到请求/响应的全貌，方便调试

• 轻松切换不同厂商的API（阿里云、月之暗面、讯飞等）

下面我们以阿里云DashScope的通义万象（qwen-image-2.0-pro）为例，演示如何通过fetch发送多模态生成请求。

3.1 准备工作

1. 注册阿里云账号，开通DashScope服务，获取API Key。

2. 在项目中安装dotenv（用于管理密钥）。

npm install dotenv

1. 创建.env文件：

DASHSCOPE_API_KEY=sk-xxxxxxxxxxxxxxxxxxxx

3.2 完整的图像生成代码（Node.js环境）

import dotenv from 'dotenv';
dotenv.config();

async function generateMultiModalImage() {
  const API_KEY = process.env.DASHSCOPE_API_KEY;
  const API_URL = 'https://dashscope.aliyuncs.com/api/v1/services/aigc/multimodal-generation/generation';

  // 构造请求体 —— 这是Prompt的核心！
  const requestBody = {
    model: 'qwen-image-2.0-pro',
    input: {
      messages: [
        {
          role: 'user',
          content: [
            // 参考图1: 人物
            { image: 'https://example.com/person.png' },
            // 参考图2: 裙子
            { image: 'https://example.com/skirt.png' },
            // 参考图3: 姿势
            { image: 'https://example.com/pose.png' },
            // 文本指令
            { text: '图1中的女生穿着图2中的黑色裙子，按图3的姿势坐下' }
          ]
        }
      ]
    },
    parameters: {
      // 可选：生成图片尺寸、数量等
      size: '1024*1024',
      n: 1
    }
  };

  try {
    const response = await fetch(API_URL, {
      method: 'POST',
      headers: {
        'Content-Type': 'application/json',
        'Authorization': `Bearer ${API_KEY}`
      },
      body: JSON.stringify(requestBody)
    });

    if (!response.ok) {
      throw new Error(`HTTP error! status: ${response.status}`);
    }

    const result = await response.json();
    console.log('生成成功，返回数据：', result);

    // 阿里云返回的图片URL通常位于 output.choices[0].message.content[0].image
    const generatedImageUrl = result.output?.choices?.[0]?.message?.content?.[0]?.image;
    if (generatedImageUrl) {
      console.log('图片地址：', generatedImageUrl);
    }
    return result;
  } catch (error) {
    console.error('请求失败：', error);
  }
}

generateMultiModalImage();

3.3 关键点解析

组成部分	作用	说明
URL	多模态生成服务的入口	阿里云固定地址，不同厂商不同
Method: POST	创建资源	比GET更安全，请求体可携带复杂数据
Headers.Authorization	身份认证	Bearer ${API_KEY} 格式
Headers.Content-Type	告诉服务器请求体是JSON	必须是application/json
Body	真正的Prompt内容	包含messages数组，每个元素可混合image和text

3.4 为什么这个Prompt设计很妙？

我们用了 三张参考图 + 一段文本指令：

• { image: ... } 提供视觉锚点（人物、衣服、姿势）

• { text: ... } 描述它们之间的组合关系

模型需要同时理解：

• 图1里谁是“女生”

• 图2中哪件是“黑色裙子”

• 图3的“姿势”是什么角度

这种多图联合推理能力，是纯文本Prompt无法实现的，也是多模态大模型真正的价值所在。

---

四、从Demo到生产：你需要注意的4个细节

1. 图片URL必须可公开访问
   阿里云/OpenAI等服务的图像输入通常要求图片是公网可访问的URL，或使用Base64编码（部分平台支持）。测试时可以使用图床或阿里云OSS。

2. Prompt越具体，生成越精准
   对比：
   ❌ “改一下这张图”
   ✅ “将图1中女生的蓝色连衣裙换成图2中的红色外套，背景保持原样”

3. 处理异步与重试
   图像生成往往需要几秒到十几秒，记得设置超时和重试逻辑。

4. 成本控制
   多模态生成消耗的Token数（或调用次数）通常高于纯文本，建议限制生成图片数量（parameters.n=1）。

---

五、扩展：把HTTP请求封装成你的专属“SDK”

你可以轻松封装一个通用函数，适配不同厂商的API：

async function callMultiModalAPI(provider, promptImages, textInstruction) {
  const endpoints = {
    aliyun: 'https://dashscope.aliyuncs.com/api/v1/services/aigc/multimodal-generation/generation',
    openai: 'https://api.openai.com/v1/images/generations',  // OpenAI暂不支持多图输入，需用其他接口
    // 其他厂商...
  };
  // 根据provider构造不同的请求体...
}

这样，你既享受了fetch的轻量，又保留了对底层逻辑的完全控制。

---

总结

阶段	技术本质	Prompt示例
NLP情感推断	文本 → 类别	“判断这句话是正面还是负面：...”
NLP信息提取	文本 → JSON	“从文本中抽出人名、地名”
文本生成图像	文本 → 图像	“一只穿西装的柴犬”
多模态生成	图像+文本 → 新图像	“图1的人 + 图2的裙子 + 图3的姿势”

无论任务如何变化，Prompt始终是连接人类意图与模型能力的桥梁。而原生fetch则是最轻量、最透明的桥梁建设工具——它让你不被任何SDK绑架，赤裸裸地看到HTTP请求的每个字节。

希望这篇文章能帮你打开思路：下次想要调用大模型时，不妨直接打开浏览器控制台或Node.js REPL，用几行fetch就验证你的Prompt设计。

掌握了Prompt + fetch，你就拥有了调用一切大模型API的万能钥匙。 🔑

---

互动一下：你在实际项目中用过哪些“脑洞大开”的多模态Prompt？欢迎在评论区分享你的经验~