Xử lý input đa phương tiện

🖼️ Multimodal Input là gì?

Gemini 3.0 Pro coi text, hình ảnh, audio, video như các input ngang hàng. Bạn có thể kết hợp nhiều loại dữ liệu trong cùng một prompt.

So sánh: Cách sai vs. Cách đúng

❌ SAI - Không đánh index

Hãy phân tích cái này. [upload 3 ảnh screenshots]

Vấn đề: Gemini không biết "cái này" là ảnh nào!

✅ ĐÚNG - Đánh index rõ ràng

Tôi upload 3 screenshots:
- Screenshot 1: Trang chủ hiện tại
- Screenshot 2: Thiết kế đề xuất A
- Screenshot 3: Thiết kế đề xuất B

Hãy so sánh Screenshot 2 và Screenshot 3 với Screenshot 1, 
chỉ ra điểm mạnh/yếu của từng thiết kế.

<output_format>
| Tiêu chí | Thiết kế A | Thiết kế B |
| UX | ... | ... |
| Visual | ... | ... |
</output_format>

Các loại input được hỗ trợ

Loại	Format	Giới hạn
Hình ảnh	PNG, JPEG, WebP, GIF	Nhiều ảnh cùng lúc
Video	MP4, MOV, WebM	Lên đến 8.4 giờ
Audio	MP3, WAV, FLAC	Lên đến 8.4 giờ
PDF	PDF documents	Hàng trăm trang

Template xử lý multimodal

<context>
Đã upload:
- Image 1: [Mô tả ngắn về ảnh 1]
- Image 2: [Mô tả ngắn về ảnh 2]
- Image 3: [Mô tả ngắn về ảnh 3]
- Video 1: [Mô tả ngắn về video]
</context>

<task>
[Yêu cầu cụ thể - refer đến Image/Video bằng số]

Ví dụ:
- So sánh Image 1 với Image 2
- Phân tích hành vi trong Video 1 từ phút 2:00 đến 3:30
- Trích xuất text từ Image 3
</task>

<output_format>
[Định dạng kết quả mong muốn]
</output_format>

Ví dụ thực tế: Phân tích UX

<context>
Đã upload:
- Image 1: Homepage (giao diện chính)
- Image 2: Product page (trang sản phẩm)
- Image 3: Checkout page (thanh toán)
- Video 1: User journey từ trang chủ đến hoàn thành đơn hàng
</context>

<task>
Phân tích UX dựa trên:
1. Image 1-3: Đánh giá thiết kế, layout, call-to-action
2. Video 1: Xác định friction points (điểm người dùng bị vướng)
</task>

<output_format>
## Điểm mạnh
- [Bullet points, trích dẫn Image/Video cụ thể]

## Vấn đề UX
| Vấn đề | Vị trí (Image/Video) | Mức độ | Giải pháp |
|--------|---------------------|---------|-----------|

## Ưu tiên sửa chữa
1. [Vấn đề quan trọng nhất]
2. ...
</output_format>

Checklist khi dùng multimodal

• [ ] Mỗi file đã được đánh số/đặt tên rõ ràng?
• [ ] Mỗi file có mô tả ngắn về nội dung?
• [ ] Task có refer cụ thể đến file nào?
• [ ] Nếu video dài, có chỉ định timestamp không?