Appearance
多模态 Agent
在知识图谱的位���置：模块五 · 05_前沿趋势 · 第 5 节 难度：⭐⭐ | 前置知识：Agent 基础
1. 概述
多模态 Agent是能理解和处理文本、图像、音频、视频的 Agent。
2025 年关键突破：模型不再是纯文本，而是原生多模态。
2. 多模态 Agent 能力
| 模态 | 能力 | 代表模型 |
|---|---|---|
| 文本 | 理解/生成文本 | 所有模型 |
| 图像 | 看图、识图、生成图 | GPT-4o, Claude |
| 音频 | 听、说、分析音频 | GPT-4o, Gemini |
| 视频 | 理解视频内容 | GPT-4o, Sora |
| 3D | 理解 3D 场景 | Sora 3D, NVIDIA |
3. 技术原理
3.1 多模态融合
4. 应用场景
| 场景 | 多模态能力 |
|---|---|
| 视觉 Agent | 看图理解、截图分析 |
| 语音 Agent | 语音交互、会议记录 |
| 视频 Agent | 视频分析、剪辑 |
| 医疗 Agent | 医学影像分析 |
| 工业 Agent | 缺陷检测 |