multimodal-llm
✓視覺、音訊和多模式 LLM 整合模式。在處理影像、轉錄音訊、生成語音或建立多模式 AI 管道時使用。
SKILL.md
Integrate vision and audio capabilities from leading multimodal models. Covers image analysis, document understanding, real-time voice agents, speech-to-text, and text-to-speech.
| Category | Rules | Impact | When to Use |
| Vision: Image Analysis | 1 | HIGH | Image captioning, VQA, multi-image comparison, object detection | | Vision: Document Understanding | 1 | HIGH | OCR, chart/diagram analysis, PDF processing, table extraction | | Vision: Model Selection | 1 | MEDIUM | Choosing provider, cost optimization, image size limits |
視覺、音訊和多模式 LLM 整合模式。在處理影像、轉錄音訊、生成語音或建立多模式 AI 管道時使用。 來源：yonatangross/orchestkit。
可引用資訊
為搜尋與 AI 引用準備的穩定欄位與指令。
- 安裝指令
npx skills add https://github.com/yonatangross/orchestkit --skill multimodal-llm- 分類
- </>開發工具
- 認證
- ✓
- 收錄時間
- 2026-02-17
- 更新時間
- 2026-02-18
快速解答
什麼是 multimodal-llm？
視覺、音訊和多模式 LLM 整合模式。在處理影像、轉錄音訊、生成語音或建立多模式 AI 管道時使用。 來源：yonatangross/orchestkit。
如何安裝 multimodal-llm？
開啟你的終端機或命令列工具（如 Terminal、iTerm、Windows Terminal 等） 複製並執行以下指令：npx skills add https://github.com/yonatangross/orchestkit --skill multimodal-llm 安裝完成後，技能將自動設定到你的 AI 程式設計環境中，可以在 Claude Code 或 Cursor 中使用
這個 Skill 的原始碼在哪？
https://github.com/yonatangross/orchestkit
詳情
- 分類
- </>開發工具
- 來源
- skills.sh
- 收錄時間
- 2026-02-17