多模态内容生成技能用于在用户提出图片或视频生成需求时，自动调用 multimodal-agent 进行处理。
用途 当用户需要生成图片或视频时使用此技能，覆盖文生图、文生视频等场景。触发表达包括：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；以及生成一个视频、做个视频、文生视频、用 veo/sora/kling 生成视频。
主要能力 技能可识别图片生成或视频生成请求，提取用户描述，选择相应模型，并调用 multimodal-agent 执行生成。可用模型如下。
图片生成模型：flux 对应 flux-pro-max，特点为高质量、推荐；imagen 对应 google/imagen-4-ultra，特点为 Google 最强；dalle 对应 gpt-image-1，即 DALL-E 3；doubao 对应 doubao-seedream-4-5，特点为中式美学；klingimg 对应 kling-image，即可灵生图。
视频生成模型：veopro 对应 veo3.1-pro，Google 专业版；veo4k 对应 veo3.1-pro-4k，4K 高清；sora 对应 sora-2-pro-all，OpenAI Sora；kling 对应 kling-video，可灵视频。
使用方式 技能通过 sessions_spawn 自动调用 multimodal-agent，调用形式为：sessions_spawn(agentId="multimodal-agent", task="生成图片: {用户描述}, 使用 {模型} 模型")。
执行流程为：识别请求类型，提取描述，选择默认模型（图片为 flux-pro-max），随后调用 sessions_spawn 传入 agentId 与 task，由 multimodal-agent 执行生成并返回结果。
示例 生成图片：用户说“帮我生成一张日落海滩的图片”，执行 sessions_spawn(agentId="multimodal-agent", task="生成图片: 日落时分的海滩，金色阳光洒在海面上，使用 flux 模型")。
生成视频：用户说“用 sora 生成一个猫咪玩耍的视频”，执行 sessions_spawn(agentId="multimodal-agent", task="生成视频: 一只可爱的猫咪在草地上玩耍，使用 sora 模型")。
指定模型：用户说“用 doubao 画一张中国风山水画”，执行 sessions_spawn(agentId="multimodal-agent", task="生成图片: 中国风山水画，云雾缭绕的山峰，使用 doubao 模型")。
模型选择建议 通用高质量推荐 flux；中式风格推荐 doubao；写实照片推荐 imagen；创意艺术推荐 dalle；高清视频推荐 veo4k；电影级视频推荐 sora；快速视频推荐 kling。
适用场景 适用于需要快速生成图片或视频的对话式场景，用户可用自然语言描述内容，也可指定模型别名以获得特定风格或质量。
限制与注意事项 multimodal-agent 会自动优化用户的描述。若用户未指定模型，图片默认使用 flux，视频默认使用 veopro。视频生成可能需要较长时间，会在后台异步执行。生成完成后会自动发送结果给用户。关于收费、价格、平台支持范围等信息，资料暂未提供。