要在扣子平台快速搭建多模态智能体，必须调用专用插件与模型：图像需启用DALL·E 3和CLIP并加约束提示；音频需启用Whisper/TTS或OpenClaw TTS Pro（须绑定API密钥）；视频需启用VideoLLaMA（≥2.1.3）并配置工作流分支逻辑。
☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 多模态理解力帮你轻松跨越从0到1的创作门槛☜☜☜
要在扣子平台快速搭建能处理图像、音频、视频的多模态智能体，必须绕过纯文本思维定式，直接调用对应模态的专用插件与模型，否则生成结果将严重偏离预期。
创建支持图像理解与生成的智能体
第一步：进入扣子工作台→点击左上角⊕→选择「创建智能体」→在「AI 创建」输入框中明确写入“能看图识物并根据描述生成高清图片的助手”，系统会自动匹配多模态模型与图像插件。
第二步：进入编排页面后，检查中间「工具」面板是否已启用「文生图（DALL·E 3）」和「图生文（CLIP）」两个插件——【若未自动启用，必须手动勾选，否则后续所有图像交互均会返回错误】。
第三步：在左侧「人设与回复逻辑」中加入约束性提示词：“你必须先用图生文插件分析用户上传的图片内容，再决定是否调用文生图插件；禁止对未上传图片的请求直接生成图像”。这一步防止模型擅自虚构图像输入源。
接入音频类能力实现语音转文字与合成
方法一：使用内置语音插件
在「工具」面板中启用「语音识别（Whisper）」和「语音合成（TTS）」插件，然后在「人设与回复逻辑」中添加指令：“当用户发送语音消息时，优先调用Whisper转为文字再处理；当需要输出语音时，必须调用TTS插件生成MP3并以卡片形式返回”。
方法二：通过OpenClaw扩展高保真音色
前往「插件市场」搜索OpenClaw→安装「OpenClaw TTS Pro」→在技能配置中绑定自定义音色ID→注意：该插件需单独授权API密钥，【未完成密钥绑定前，所有语音合成请求将静默失败】。
构建视频理解与生成工作流
① 在「工具」面板中启用「视频理解（VideoLLaMA）」插件，并确认其版本号≥2.1.3（旧版本不支持短视频帧提取）。
② 新建一个「工作流模式」智能体，拖入「视频上传节点」→连接「视频理解节点」→再连接「文生视频（Runway Gen-3）」节点。
③ 设置分支逻辑：当视频时长＜60秒且含人脸时，触发「人脸情绪分析」子流程；否则跳过。此判断必须放在视频理解节点之后，否则无法获取元数据。
④ 测试时上传MP4文件，观察右侧调试面板是否显示“video_duration: 47s, face_count: 2, emotion: neutral”——只有出现这类结构化输出，才代表视频理解链路打通。
