LLM Agent 在多模态任务中如何执行推理？核心逻辑：跨模态编码→融合理解→多步推理。多模态编码：把图像/音频转成向量，和文本向量融合。跨模态理解：比如“这张图片里的猫是什么品种？”，先编码图像，再结合文本推理出“布偶猫”。多步推理：比如“根据这张 CT 图，判断是否有肺炎”，先分析图像特征，再结合医学知识给出建议。例子：用户上传美食图问“这道菜的做法是什么？”：Agent 识别图像是“宫保鸡丁”→检索菜谱知识库→结合图中食材（鸡肉/花生/干辣椒）→生成详细做法。ContentListUnionDict 是什么💡 通俗理解你可以把 ContentListUnionDict 想象成一个 “万能输入框”：你可以直接往里面塞一句话（纯文本）。