用途：该技能面向构建多模态 AI 应用，将文本、图像、音频和视频组合到同一处理流程中。资料说明其覆盖视觉 API、音频转录以及统一流水线等方向。
使用方式：技能要求所有回答都基于随附的参考文件，并把这些文件视为该领域的唯一事实来源。具体分三种场景：创建时须查阅 references/patterns.md，该文件规定应如何构建，若其中存在特定模式则忽略通用做法；诊断时须查阅 references/sharp_edges.md，该文件列出关键失败及其原因，可用于向用户解释风险；审查时须查阅 references/validations.md，其中包含严格规则与约束，用于客观校验用户输入。若用户请求与这些文件中的指导冲突，应依据参考资料礼貌纠正用户。
限制：资料未提供具体代码示例、安装命令、依赖、支持平台、收费或价格信息，也未说明实现细节与实际效果，这些内容暂未提供。