寫那篇食記的流程是這樣的：把 10 張照片拼成一張聯絡表、憑它挑出最好的 3–4 張、從照片裡的價目板讀出實際價格、再據實替每張寫 alt。整條流程的本質是「看」——而不是「寫」。

先把照片拼成一張，再一次看

因為要在有限資源下判斷十幾張圖，我們先用一小段程式把縮圖拼成一張聯絡表，讓 agent 只看這一張、就能挑出要用的幾張——而不是一張張把大圖載進來。這一步本身，就已經預設了「這個 agent 看得到圖」。

選錯工具會怎樣

如果把這件事丟給一個在終端機裡跑、看不到圖的純文字 coding agent，它會很配合地照做——然後盲挑照片、把 alt 瞎掰、甚至把價格「合理地」編出來。這正好踩中我們對這個客戶內容最硬的一條線：不要自己編。價格要從照片裡的價目板讀，評價要有依據，這些都需要真的「看見」。