文档摘要

源文件：chapter3/multimodal-agent/README.md 支持多种抽取技术的多模态 Agent 一个用于教学的 Agent 框架，在多个 AI 提供商（Gemini、OpenAI、豆包）之间对比不同的多模态内容抽取技术。 特性 三种抽取模式 原生多模态：直接使用模型自带的多模态能力进行处理 Gemini 2.5 Pro：文档（PDF）、图像、音频 GPT-5/GPT-4o：图像（OpenAI 多模态格式） 豆包 1.6：图像（OpenAI 多模态格式） 先抽取为文本：先把多模态内容转为文本，再处理 PDF：使用 Gemini 或 GPT-5 做 OCR 图像：使用 GPT-5 或豆包 1.

---