用途：multi-modal 是 custom-plugin-prompt-engineering 中的多模态提示技能，绑定到 advanced-techniques-agent，目标是把视觉、音频与文档理解的提示写法规范化，便于在不同模态下复用。
主要能力：支持 modality 参数，取值 vision、document、audio、video，必填；task_type 参数取值 analysis、extraction、generation、qa，默认 analysis；detail_level 参数取值 low、medium、high，默认 medium。资料给出视觉分析、视觉问答、图表分析、PDF 抽取、表单/发票处理、音频转写增强等提示模板。
使用方式：通过 Skill("custom-plugin-prompt-engineering:multi-modal") 调用，并按参数架构传入 modality 等参数。例如视觉分析模板要求描述主体、动作、场景、细节与整体解读；文档抽取模板要求输出标题、关键字段、表格、日期数字，并以结构化 JSON 输出；表单/发票模板给出 document_type、fields 等抽取 schema；音频模板要求准确转写、说话人识别、关键时间戳、主题摘要与行动项。
最佳实践：图像提示要明确查找目标、要求结构化输出、询问置信度；文档提示要定义抽取 schema、处理多页文档、校验抽取数据；音频提示要指定语言、要求说话人分离、请求时间戳。
限制：资料仅给出提示模板与参数，未说明支持的具体模型、API、平台、收费或性能。故障排查表提示可能出现过拟合细节、图像文字遗漏、文档解析错误、转写不准，建议分别改用仅可见信息、提高细节、拆分章节、说明音频质量限制。多个引用仅提及 GPT-4V 文档与 Claude Vision 指南，未给出具体链接。