传统 Agent 主要处理文本，但在很多真实场景里，信息是图文混合的：一张截图、一份带图表的文档、一组商品图。要让 Agent 更接近真实的工作助手，就需要多模态能力。

一、什么是多模态 Agent

多模态 Agent 不仅能理解和生成文本，还能处理图像等多种形式的信息。它可以“看懂”图片里的内容，也能根据需求生成或处理图片。这使得 Agent 的应用范围从纯文字问答，扩展到视觉相关的工作流。

二、工具包提供的多模态能力

百智云 Agent 工具包（https://baizhi.cloud/landing/agent-toolkit）把多种能力集中在一起，其中包括图像相关的工具：

1. 图片搜索：按文本查询获取候选图片；

2. 图像生成：基于文本描述生成图片；

3. 内容理解：识别图片中的文字、描述图片内容、分析页面布局；

4. 智能抠图：根据自然语言描述保留主体并移除背景。

配合联网搜索和内容解析，Agent 可以同时处理文字资料和视觉素材，形成更完整的信息处理链路。

三、典型场景

例如，一个内容创作 Agent 可以先联网搜索资料，再生成配图，随后用内容理解检查图片是否符合要求，必要时用抠图处理背景。整个流程不再需要人工在多个工具之间搬运素材。

又如，一个商品素材处理 Agent 可以批量理解商品图内容、提取信息，再对需要去背景的图片做智能抠图处理。

四、能力边界

多模态能力让 Agent 更强，但并不意味着它可以完全替代人工判断。图像生成结果受提示词影响较大，内容理解对复杂或模糊图片的识别也可能有偏差。关键环节仍建议人工复核。

该服务按工具包内服务调用收费，各项工具的具体参数、支持范围和费用以官方页面为准。