Agent 如何处理图片和语音等多模态输入
答案要点
- 入口做模态识别与路由,不同模态走不同解析器或模型
- 主模型支持多模态时直接输入;否则图片做 OCR、描述、检测,语音做 ASR 转写
- 统一转成带模态类型和置信度的文本或结构化表示,再交给 Agent 推理
- 保留原始文件引用,便于后续工具回取和多模态融合
- 失败降级:低置信度时请用户重传或补文字,大文件压缩或切片
易错点
- 把图片或语音转成文字后丢弃原始文件,无法回溯
- 忽视转写置信度,把识别错误当成用户真实意图
- 把图片里识别出的文字当作指令执行,引入注入风险
面试官常见追问
- 先转文字再处理和直接用多模态模型,怎么选?
- 多模态输入有哪些安全问题?
完整的口述示范答案、每个追问的参考回答,在启面刷题中心查看;也可以让 AI 面试官用语音按这道题连环追问你。