多模态内容生成

当用户需要生成图片或视频时，自动调用 multimodal-agent 进行处理。

触发场景

图片生成

• "生成一张图片"
• "画一张..."
• "AI 作图"
• "文生图"
• "帮我生成图像"
• "用 flux/imagen/dalle 生成"

视频生成

• "生成一个视频"
• "做个视频"
• "文生视频"
• "用 veo/sora/kling 生成视频"