英文：Multimodal Agent 分类：multimodal
能同时感知（视觉/听觉/触觉）与行动（GUI、机器人、工具）的智能体，通过多模态输入理解真实世界并执行任务。
技术：多模态大模型作"大脑"（理解截图/视频/语音）、GUI 操作（Computer Use）、工具调用（搜索、API）、环境交互（机器人控制）；评测：GUI 任务成功率、真实世界任务完成率。
用于手机/电脑自动化助手（看屏幕办事）、机器人与自动驾驶（视觉决策）、无人零售与可穿戴助理；多模态智能体是"AI 走进现实操作"的载体。