multimodal-llm
✓视觉、音频和多模式 LLM 集成模式。在处理图像、转录音频、生成语音或构建多模式 AI 管道时使用。
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 |
视觉、音频和多模式 LLM 集成模式。在处理图像、转录音频、生成语音或构建多模式 AI 管道时使用。 来源：yonatangross/orchestkit。
可引用信息
为搜索与 AI 引用准备的稳定字段与命令。
- 安装命令
npx skills add https://github.com/yonatangross/orchestkit --skill multimodal-llm- 分类
- </>开发工具
- 认证
- ✓
- 收录时间
- 2026-02-17
- 更新时间
- 2026-02-18
快速解答
什么是 multimodal-llm？
视觉、音频和多模式 LLM 集成模式。在处理图像、转录音频、生成语音或构建多模式 AI 管道时使用。 来源：yonatangross/orchestkit。
如何安装 multimodal-llm？
打开你的终端或命令行工具（如 Terminal、iTerm、Windows Terminal 等） 复制并运行以下命令：npx skills add https://github.com/yonatangross/orchestkit --skill multimodal-llm 安装完成后，技能将自动配置到你的 AI 编程环境中，可以在 Claude Code 或 Cursor 中使用
这个 Skill 的源码在哪？
https://github.com/yonatangross/orchestkit
详情
- 分类
- </>开发工具
- 来源
- skills.sh
- 收录时间
- 2026-02-17