$ loading_
调用具备视觉与听觉能力的多模态 AI 智能体，处理图像、语音与综合交互任务。
复制安装指令，让 AI 自动完成配置 · 推荐新手
"multimodal-agents-course" 暂无可直接复制的安装信息，请查看页面文档或源码仓库。
请查看这张应用界面截图，识别主要功能区、按钮和提示信息，并总结用户下一步可以执行的操作。
返回对截图内容的结构化说明，以及基于视觉信息的操作建议。
请收听这段会议录音，转写关键内容，提炼待办事项，并按优先级列出负责人和截止时间。
输出会议转写摘要、待办清单以及清晰的任务分配结果。
请帮我设计一个具备图像识别和语音输入能力的 AI 助手原型，说明所需模块、交互流程，并给出基础实现思路。
给出多模态智能体的架构建议、流程设计和可落地的开发方案。
让 AI 通过英特尔深度相机感知并理解真实物理环境。
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。
让 AI 通过多模型视觉分析理解图片内容、物体层级与颜色信息。
用 Google Gen AI 分析本地音视频并生成结构化摘要、时间线与转录
为 AI 代理提供持久记忆、协作空间和视频生成能力
让本地 AI 观察屏幕并执行点击输入等系统操作，自动完成桌面任务。