智能体面试准备（二十五）：多模态 Agent——图文、语音、视频输入的感知融合与决策上一篇《GUI 智能体与 Computer Use》讲的是让 Agent 学会看屏幕、点鼠标，本质上已经踩进了"视觉输入"的门槛。顺着这条线再往下走一层，就是一个更底层的命题：Agent 能不能"看懂"世界——不只是看懂界面控件，而是看懂图片、听懂语音、理解视频。这是 B 系列第二十五篇。纯文本 Agent 的能力上限受限于"用户能打多少字"——而真实业务里，大量信息在图片、语音、视频、表格、PDF 里。2024 年之后，多模态大模型（VLM，见 A14）成熟，让 Agent 从"读文字的秘书"变成"看得