Multimodal Analysis Skill 是一套面向多模态内容的分析能力说明，定位为对媒体文件进行“理解与解读”，而不仅仅是把可见文字提取出来。它适用于 PDF、图片、技术图表、数据可视化、表格、表单、UI 截图等需要超出纯文本解释范围的媒体类型。
用途
该 Skill 的核心目标是从视觉与文档内容中提取有意义的信息并进行解读。资料列出的适用场景包括：分析 PDF 文档的内容与结构；解读技术图表、流程图和系统架构；从包含多个元素的复杂图像中提取信息；理解图表、图形和数据可视化；分析图像中的表格和结构化数据；描述 UI 设计、线框图或原型；解读应用或界面的截图；从手写文档或低质量扫描件中提取文字；分析信息图和可视化展示；理解视觉元素之间的关系；以及从需要上下文理解的视觉数据中获取洞察。
主要能力
能力可分为几类。文档分析方面，包括从多页 PDF 中提取并结构化内容、识别章节标题与层级结构、识别表格列表与格式化内容、保留文本元素与格式的关系、通过 OCR 处理扫描文档、提取元数据和文档属性；内容理解方面，包括区分文本图像表格等不同内容类型、理解文档流与逻辑结构、识别关键信息与主题、在保留要点的前提下总结长文档、根据用户查询提取特定信息。
视觉内容分析方面，包括描述包含多对象与关系的复杂场景、识别并解释视觉元素及其意义、识别视觉数据中的模式趋势与异常、理解空间关系与构图、分析配色设计方案与视觉层级；技术内容方面，可解读代码片段与技术图表、理解数学公式与科学记数、分析工程图纸与示意图、解读建筑平面图与技术插图。
图表与数据可视化分析方面，可分析流程图、系统架构图、网络图、UML 图与关系映射、流程流与决策树、实体关系图与数据模型；可分析图表图形与统计可视化、从视觉表示中提取数值数据、识别趋势模式与离群值、比较不同数据系列及其关系、解读复杂的多维可视化。
结构化数据提取方面，包括从图像或文档中抽取并结构化表格数据、理解表头与数据关系、处理合并单元格等复杂表格结构、保留数据类型与格式、把视觉表格转为结构化格式；表单分析方面，可解读表单与问卷、提取字段名与对应值、理解表布局与数据录入模式、处理复选框单选框与选择指示。
使用方式
资料以方法论和行为特征描述使用方式。分析时强调先把握媒体用途与上下文，再识别底层组织与布局，然后提取并解读单个元素，映射元素之间的关系，最后给出有附加价值的解读。方法论上采用渐进式展开：先看整体，再深入细节；进行模式识别；结合上下文分析；以结构化方式输出；并超越单纯描述提供洞察。资料还给出按媒体类型选择工具的思路：PDF 文档使用针对文本提取与结构识别优化的工具；含文字图片使用具备版面理解能力的 OCR 工具；技术图表使用具备符号识别与模式匹配的工具；数据可视化使用具备数值提取能力的工具；UI 截图使用具备组件识别与层级理解能力的工具。复杂度上，简单内容以直接提取为主，复杂版式采用多步分析并识别结构，技术内容引入领域解读，模糊内容从多角度分析并给出置信度。
适用场景
资料给出了示例交互，例如从年度报告 PDF 中提取执行摘要、总结研究论文的主要章节与要点、提取财务文档中的全部表格数据、解释系统架构图及组件交互、说明流程图含义与决策点、解读网络拓扑并识别潜在瓶颈、从销售图表中提取数值并识别趋势、说明散点图所示的变量关系、比较仪表盘中的绩效指标、识别表现最佳者与离群值、描述应用截图中的 UI 元素及层级、从名片图像中提取信息、分析信息图并总结关键信息、从目录页提取产品规格。
限制
资料主要在质量标准和输出格式层面描述约束，包括确保提取数据与来源一致、核对数值与计算、保留引用信息的上下文、标注不确定或模糊之处；分析要覆盖相关元素、不遗漏重要上下文；输出要有逻辑层级、使用清晰标题、提供足够上下文并使用适当术语。关于具体收费、价格、支持平台、安装步骤或与其他工具的具体集成，资料未提供。