Multimodal Agent

多模态代理（Multimodal Agent）是什么？为什么“能看、能听、能做”的 Agent 越来越受关注

多模态代理指的不是只能处理文字的 Agent，而是能同时接收和利用图像、语音、界面状态、文档甚至视频等多种输入，再结合工具调用和任务规划去执行动作。它最近越来越受关注，是因为很多真实任务根本不只发生在文本里，Agent 要真能干活，就得先“看得见、听得懂、再动得了”。 它为什么比普通聊天代理更难 -...