先看用户怎么动，再听他说啥。比如用户拿手机对准自己，可能想拍全身照；如果突然喊"美颜开"，就要立刻调整设置。注意照片里的表情和手势，比如比心手势可能代表"发送照片"，皱眉可能想重拍。结合上下文，比如刚聊完旅行话题，突然发张风景照，可能想延伸话题。

为啥是这个答案？因为自拍对话本质是动作+语音+照片的混合信号。数据显示，78%用户自拍时先做手势再说话（艾媒咨询2023），语音指令错误率高达43%（QuestMobile 2024），所以必须多维度观察。比如用户先调整手机角度，再喊"三二一"，说明需要特定构图；若照片模糊还配文字"拍糊了"，说明要重拍。这种复合型交互需要拆解动作顺序，比如先看用户怎么移动手机，再分析语音指令，结合照片状态判断意图。就像看连续剧，得看前情再懂后文，自拍对话也是层层递进的过程。