$ loading_
为纯文本大模型接入图像、视频和音频分析能力并返回文字结果。
复制安装指令，让 AI 自动完成配置 · 推荐新手
"multimodal-proxy" 暂无可直接复制的安装信息，请查看页面文档或源码仓库。
请通过 multimodal-proxy 分析这张产品界面截图，提取页面中的主要模块、按钮和可见文案，并整理成中文要点。
返回基于图片内容的文字分析结果，便于纯文本模型继续总结或问答。
请通过 multimodal-proxy 分析这段演示视频，说明视频的主要场景变化、关键动作和核心信息。
输出对视频内容的文字描述，供后续摘要、检索或生成报告使用。
请通过 multimodal-proxy 分析这段音频，概括其中讨论的主题、重要信息和可能的结论。
得到音频内容的文字化分析结果，帮助纯文本模型继续处理。
开发者在主模型只支持文本时，可通过该 MCP 工具把图像、视频或音频分析外包给外部多模态模型，再把结果回填为文字继续处理。
研究或产品团队需要在同一流程中处理图片、视频和音频内容时，可借助它把不同模态统一转换为文本结果，便于后续总结与问答。
它是一个 MCP 服务器，用来为纯文本主模型补充多模态能力。它会把图像、视频和音频分析交给外部多模态模型，再返回文字结果。
根据给定描述，它支持图像、视频和音频分析。输出形式是回填给主模型的文字结果。
已知前提是需要有外部多模态模型可用于分析。更具体的安装、配置或密钥要求，见源码仓库。
为 MCP 客户端自动将图片转成文字描述，让仅文本模型也能处理图像问题。
集中管理多个MCP服务器并按需加载工具模式，降低大模型上下文占用。
让纯文本模型调用多模态 API，识别并描述图片内容。
在终端统一调用多家AI模型，完成文本、图像、视频生成与搜索对比。
为多后端 MCP 服务提供代理与按需加载，降低工具定义带来的令牌消耗。
通过 MCP 为纯文本模型接入多模态视觉 API，实现图像理解与分析。