面试题库 › 算法 / 大模型 › Agent 如何处理图片和语音等多模态输入

Agent 如何处理图片和语音等多模态输入

难度 ★★☆在 1 场真实面经中被问到 方向:算法 / 大模型考点:Agent设计与场景

常见岗位:AI 应用 / Agent 开发

答案要点

  1. 入口做模态识别与路由,不同模态走不同解析器或模型
  2. 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
  3. 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
  4. 保留原始文件引用,便于后续工具回取和多模态融合
  5. 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

面试官常见追问

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。

相关面试题