多模态 Agent 开始进入真实业务，难点从识别转向编排

这是一篇来自 FLUX 编辑部的深度内容，记录真实项目中的判断、取舍和可复用经验。

过去一年，多模态能力从演示型功能逐渐进入客服、巡检和内容生产流程。真正难的部分不再是把图片传给模型，而是让不同模态的结果可以被验证、追踪并交给下一步工具。

在一线项目里，团队通常会把任务拆成感知、判断、执行和复核四层，并为每一层保留可回放的输入输出。这样当模型误判时，工程师能快速确认是数据、提示词还是工具权限出了问题。

多模态 Agent 的下一阶段，不是更复杂的 Demo，而是更清晰的状态机、人工接管点和成本边界。