dify多模态支持需启用multimodal_enabled并配置支持的图片类型，绑定gpt-4o视觉模型，api调用需用正确格式传入图像与指令，前端需开启上传功能并在system prompt中声明图像理解能力。
☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 多模态理解力帮你轻松跨越从0到1的创作门槛☜☜☜
确认Dify环境已启用多模态支持
进入Dify后台管理界面，打开「设置」→「系统设置」→「高级配置」，检查 MULTIMODAL_ENABLED 是否为 True。若为 False，需手动修改 config.py 并重启服务——这一步不执行，后续所有图片上传都会被拒绝或自动剥离图像字段。
同时确认 MULTIMODAL_SUPPORTED_TYPES 列表中包含 "image/jpeg" 和 "image/png"。缺少任一 MIME 类型，GPT-4o 将无法接收对应格式的图片输入。
在应用中绑定GPT-4o视觉模型
创建或编辑一个「聊天助手」或「工作流」类应用，在「模型配置」页选择模型供应商为 OpenAI → 模型名称选 gpt-4o（非 gpt-4o-mini 或 gpt-4-turbo）。
关键验证点：点击右侧「测试模型」按钮，发送一条含 image_url 字段的 JSON 请求（非 base64），观察返回是否含视觉推理内容。若报错 “vision not supported”，说明当前模型实例未加载 vision 插件或 API key 权限不足。
通过API调用GPT-4o识别图片
方法一：使用 /chat-messages 接口上传 Base64 图片
构造 POST 请求体，files 数组中每个对象必须含 type（如 "image/png"）和 content（完整 base64 字符串，不含 data:image/png;base64, 前缀）；inputs 字段中 text 内容需明确指向图像内容，例如“图中左上角的红色标志是什么？”
方法二：使用 /multimodal/invoke 统一接口（推荐）
此接口接受结构化多模态载荷，直接传入 base64 字符串 + 文本指令，无需预上传。请求体中 input.image 字段值应为标准 data URL 格式：data:image/png;base64,iVBORw0KGgo...；input.text 不可为空，且不能仅写“看图说话”，必须给出具体任务指令，否则 GPT-4o 会退化为纯文本模型响应。
注意：若使用方法二但未在 Dify 后端启用 LLM_VISION_MODEL = "gpt-4o"，请求将被路由至默认文本模型，图像数据被静默丢弃。
在前端界面中触发视觉识别
第一步：进入应用发布页，开启「文件上传」功能开关
第二步：在「提示词编排」区域，确保 system prompt 中包含类似“你具备图像理解能力，用户可能上传图片，请结合图片内容回答问题”的声明——没有这句，Dify 的运行时不会向 GPT-4o 注入 vision token。
第三步：发布应用后，在前端聊天窗口点击「?」图标上传图片，随后立即输入文字提问。上传后必须在 30 秒内 发送关联问题，超时则图像上下文被自动清理，后续提问视为新会话。
这一步操作起来很简单，直接把图片拖进去就行，但很多人卡在没写 system prompt 导致始终得不到视觉响应。
