用途：提供视觉、音频与视频生成的多模态模型集成模式，覆盖图像分析、文档理解、实时语音代理、语音转文字、文字转语音与 AI 视频生成（Kling v3、Sora 2、Veo 3.1 std/lite/fast、Runway Gen-4.5 即 gen4_turbo）。共 9 条规则，分视觉、音频、视频生成三类。
主要能力：视觉部分含图像分析（Base64 编码、多图对比、边界框）、文档理解（PDF 页范围、细节等级、OCR 策略）、模型选择（供应商对比、token 成本、图像尺寸限制）。音频部分含语音转文字（Gemini 长音频、GPT-4o-Transcribe、AssemblyAI，说话人分离与时间戳）、文字转语音（Gemini TTS、语音配置、听觉提示）、音频模型选择。视频部分含模型选择（Kling/Sora/Veo/Runway 对比）、API 模式（异步轮询、SDK、webhook 回调）、多镜头生成（分镜、角色元素、身份绑定）。
使用方式：以规则文件形式给出各类模式，例如 vision-image-analysis.md、vision-document.md、audio-speech-to-text.md、video-generation-patterns.md、video-multi-shot.md 等。示例用 Anthropic SDK 将图片 Base64 编码后发送给 claude-opus-5-5 并设置 max_tokens。
限制与注意：视觉请求需设置 max_tokens，发送前需缩放图像（不超过 2048px），简单分类不必用高细节等级；语音对话优先用原生 speech-to-speech 而非 STT+LLM+TTS 管线；视频生成 API 为异步，需轮询或回调，不能同步调用；避免已弃用模型（GPT-4V、Whisper-1）；Sora 成本高速度慢，不适合高频社交内容。claude-fable-5 为高端档，需用户明确同意方可用。官方文本、收费与更多平台细节暂未提供。