description 多模态能力自动唤醒框架 - 让大模型自动识别并处理用户发送的各种媒体文件。 **核心能力：** 自动检测消息中的媒体引用标记（[media:type:path]），使用通用工具处理： - image: 图片分析、OCR、场景识别（使用通用 `image` 工具） - audio: 语音转写、音频摘要 ...

这项由上海交通大学计算机科学团队主导的研究，以预印本形式发布于2026年4月，编号为arXiv:2604.03088v3，有兴趣深入了解的读者可通过该编号查阅完整论文。 假设你雇了一位助理，给他一本厚厚的工作手册，告诉他"按照手册里的步骤帮我完成任务"。如果这位 ...