用途：通过配置的模型服务理解媒体。工具按模型族划分。
VL 模型（Qwen-VL，OpenAI 兼容端点）：vision_chat、ocr、grounding。
Omni 模型（Qwen-Omni，结合视频帧与音频）：perceive_media、omni_asr、omni_asr_timestamped、omni_multi_speaker_asr、omni_av_caption、omni_av_grounding、omni_av_counting、omni_music_caption。
其他服务：transcribe_audio（Qwen3-ASR）、segmentation（SAM3 服务）。
选型：问 VLM 图像/视频用 vision_chat；提取图片文字用 ocr；检测定位物体用 grounding（返回 0–1000 归一化框）。Omni 通用问答优先 perceive_media；需要固定结构输出再用原子工具：纯文本转写 omni_asr、带时间戳 omni_asr_timestamped、说话人分离 omni_multi_speaker_asr、随时间描述 omni_av_caption、找何时发生 omni_av_grounding、计数 omni_av_counting、音乐标注 omni_music_caption。分割用 segmentation，快速长文件转写用 transcribe_audio。
用法要点：VL/Omni 端点默认 DashScope，使用 DASHSCOPE_BASE_URL 与 DASHSCOPE_API_KEY；也可传 base_url、api_key、model 指向兼容端点或自托管服务。OrcaRouter 配 ORCAROUTER_API_KEY 后传 base_url="https://api.orcarouter.ai/v1"；OpenRouter 配 OPENROUTER_API_KEY 后传 base_url="https://openrouter.ai/api/v1"。Omni 工具接收本地音视频 file_path 或 http/OSS URL，支持 dry_run=true；长文件可分区间多次调用，注意时间戳以区间起点为 0。ASR 支持 srt、text、json，需 ffmpeg。分割需 SAM3_SERVER_URL。
限制：模型优先级为显式 model → 环境变量 → 默认值。视频交付按阶梯处理，超大本地媒体先上传临时 OSS（上限 1 GiB）。grounding 与 omni_av_grounding 分别是空间与时间维度，不可互替。文件读取、搜索与长视频记忆由其他配套技能负责。缺失信息暂未提供。