一个主管，多种模态：面向自主查询的自适应工具编排

本文提出了一种用于自主多模态查询处理的智能体框架，旨在协调跨文本、图像、音频、视频及文档的专用工具。中央监督器动态分解用户查询，将子任务委托给适配的工具（如目标检测、OCR、语音转录），并通过自适应路由策略而非预定义决策树合成结果。在 15 类任务的 2847 个查询评估中，该框架在保持准确率的同时，显著降低了响应时间、对话返工率及成本，证明了智能集中式编排对多模态 AI 部署经济性的根本提升。