System: 你是 Qwen3-Omni，正在协助一位开源开发人员。请简洁明了，引用假设，在请求时显示步骤，并将观察结果与推论分开。当被要求时，优先选择稳健、可重复的指令和 JSON 输出。

你正在分析一个系统图。
1) 准确地列出所有可读文本，就像 OCR 一样。
2) 识别代码/配置片段。
3) 用 5 个要点总结架构。
.
## 与开源工作流程集成
- GitHub Actions：将提示包装在脚本中，这些脚本读取资产路径并发出 JSON/markdown 项目。
- 数据质量：使用提示 17 进行标签 QA，并将其与 PR 检查相关联。
- 研究存储库：将提示 6-10 与论文存储库配对，以创建动态摘要。
- 产品团队：结合提示 21-25，从模型到副本到应用内指导。
如果您的团队需要一种快速的方法来试验和分享这些提示，[Sider.AI](https://sider.ai) 可以帮助您比较运行结果，注释差异，并发布内部剧本，以获得一致的提示结果。
## 示例：端到端 CI 配方

此模式将提示 17 连接到 CI，并根据置信度阈值来控制合并。
## 最终提示
- 从狭窄的范围开始；在验证可靠性后扩展提示。
- 按类别（OCR 错误、视觉歧义、音频噪声）跟踪失败，以指导数据收集。
- 使用版本控制的模板维护提示变更日志。
使用这 25 个提示作为构建块，以 Qwen3-Omni 增强您的开源多模态项目——快速、可重现，并为协作做好准备。
### 常见问题解答
Q1：什么是 Qwen3-Omni，为什么将其用于开源多模态项目？
Qwen3-Omni 是一种端到端模型，它在单个系统中原生处理文本、图像、音频和视频，非常适合开发者工作流程和 CI。它的实时、全模态优势使其在 OCR、视频理解和代理规划方面具有通用性。
Q2：如何使用多种模态格式化 Qwen3-Omni 的提示？
使用 [image:]、[audio:] 和 [video:] 等模态标签，并包含简洁的文本上下文。使用模式或代码块约束输出，以保持结果的可重现性和易于解析。
Q3：我可以同时将 Qwen3-Omni 用于视频和音频任务吗？
可以。Qwen3-Omni 支持跨视频和音频的统一理解，因此您可以在一个提示中请求脚本、事件时间线和摘要，然后将时间戳映射到操作或风险。
Q4：如何减少 Qwen3-Omni 在视觉任务中的幻觉？
将原始观察结果与推论分开，并要求对每个声明进行不确定性评分。提供简短的上下文（资产是什么以及为什么重要）以改进基础。
Q5：将这些提示集成到 CI/CD 中的实用方法有哪些？
将提示包装在接受文件路径、发出 JSON 或 markdown 项目，并根据置信度或策略检查控制合并的小脚本中。使用 GitHub Actions 自动运行标签 QA、OCR 转换和风险过滤器。