多模态 Agent 到底能干啥？我用 Step 3.7 Flash 跑了一遍

多模态是大模型发展的一个重要方向。最近也能明显看到，DeepSeek 同样在往多模态方向推进，一部分 DeepSeek 用户现在已经可以使用识图模式了。这也说明，主流模型厂商都在持续补齐这部分能力。

阶跃星辰作为主流大模型之一，也同样在往这个方向发展，整体推进速度还是很快的。

新的旗舰模型 step-3.7-flash 是一个多模态模型。多模态能力本身也是生产级 Agent 工作流里的关键一环。开发者不再需要额外去拼接视觉模块，Step 3.7 Flash 可以直接支持截图分析、文档理解、GUI 操作，并且还能和代码生成、搜索、工具调用结合起来，覆盖更完整的生产场景。对于实际落地来说，这一点还是很有价值的。

下面测试一下这个新模型的图片识别能力。 这个原图：

可以看出来，基础的图片识别基本没有什么问题。识别完成之后，还可以顺手利用这个能力去制作一个产品介绍页，整个链路会比较自然，也更符合真实使用场景。

产品页搭建

把参考图给到 Agent，调用阶跃星辰最新的旗舰模型 step-3.7-flash。提示词使用下面这段提示词。

不得不说，阶跃星辰的新旗舰还是一如既往地快，一分钟内就完成了页面的搭建。这个速度在实际体验里还是很明显的。

可以看出，它基本是按照提示词的要求来创建这个产品介绍网站的。网站整体的配色风格也和键盘的主题色比较接近，视觉上会更融洽一些。同时它还加上了一些前端动效，让页面的交互感更强，观感也更完整。

Agent长任务

生产级 Agent 任务，本身就不是一次简单问答能解决的。它往往包含规划、推理、搜索、工具调用、代码生成、多模态理解，以及反复修正等一整条链路。Step 3.7 Flash 更看重的是 Agent loop 每一步的效率，单点能力分数只是其中一部分。下面再测试一下它处理长任务时的表现。

这个是我的任务提示词：

这个任务需要先联网搜索相关数据，下一步再把拿到的数据整理成一份 Word 报告，之后还要把 Word 里的内容继续做成可视化页面。这里用到的技能是 Knowledge Site Creator Skills，它本身是一个偏知识学习方向的技能，所以很适合承接这类内容型任务。

生成的报告：

从报告里可以看出来，Word 内容还是比较全面的，同时也用到了一些数据分析，以及表格、柱状图这类内容展示方式。整体可读性还可以，完成度也不低。

然后再把这个 Word 继续做可视化处理。

从 Agent 反馈出来的网站结构里就可以看出来，这个 skill 其实更适合用来做教育方向的知识网站。当然，拿来做产品介绍也没有什么问题，只是它在知识型内容上的优势会更明显。

使用这个 skill 生成的页面，会天然带有很多学习型元素，比如卡片学习、知识点回顾等等。这些模块放在知识内容里，会显得很顺手，也更容易形成完整的学习体验。

那么它就很适合拿来做教育类的知识网站。

比如，对历史感兴趣的同学，可以做一个历史相关的知识点复习网站；对 AI 感兴趣的同学，也可以做一个 AI 相关知识点的学习网站。这样一来，内容生产和内容展示就能直接衔接起来，效率会高很多。

就比如利用下面这段提示词：

联网搜索，调研Agent调用相关的能力发展和应用，尽量从权威的机构或者信息源进行获取。包括技术博主，行业报告，AI平台资料，官方的技术文档等等。重点梳理Agent从单轮问答到工具的调用，多任务执行，工作流的编排。分析核心能力，应用场景，未来趋势这些。
首先给我一份3000字的word的报告，要求结果清晰，内容完整，语言专业具有易读性。分析上述的这些问题。
然后调用，Knowledge Site Creator Skills，利用这个技能制作一份知识学习网站，网页制作参考技能中的说明，包括首页，Agent调用，发展时间线，核心技术架构等等。

把这段提示词给到 Agent，等待几分钟后就会得到下面这种网页：

一个可视化的知识学习网站也就建好了。这个技能就适合做这种知识类的网页。

新模型在实际编程里的效果又怎么样呢？

编程任务

上次做的 AI 新闻收集网站，其实还只是一个 demo 状态，里面还有很多 BUG，也有不少页面层面的问题。 比如页面配色不统一、布局不协调、导航栏 UI 细节处理不到位等等。然后现在使用新模型对前面的历史遗留问题进行处理。

下面就进行修复。在 Claude Code 里面，只要用自然语言把需求讲清楚就可以了。比如：把运维面板页面的配色和布局优化一下，参考主首页页面的风格。

局部优化就不过多阐述了，加一个新功能，如果收集到的 AI 新闻信息本身是一个视频怎么办？

这时候，多模态模型的优势就体现出来了，因为视频内容它也能处理。这需要对已有的项目添加新功能，下面再介绍一个编程工具 Trae。Trae 写过代码的同学应该都知道，为什么会再次提及呢？因为 Trae 现在支持自定义模型了。之前的 Trae 只能使用固定厂商的模型，这次可选模型的空间就更大了。

现在需要设计一个视频讲解页面，这个页面应该长什么样子，布局，配色，有哪些UI等等，在团队中这些工作是前端，UI和产品的工作，对于个人开发者来说，这些可能了解比较少，这个时候就可以让AI帮我们先设计一份前端UI的界面。这样前面的页面结构和视觉方向会更清楚一些，也方便后面继续落地。这个是GPT帮我生成一张前端UI页面效果。

提示词：

做一个页面做视频讲解的页面，需要有视频的预览窗口，点击视频分析后右边弹出窗口进行视频讲解的输出，根据网页的美观化设计，帮我设计一个这样的页面图

再利用这张前端 UI 图片，去生成对应的页面。这次 Step 3.7 Flash 对搜索能力也做了重点升级，能够帮助 Trae 这类 Agent 更高效地获取上下文、理解信息、验证结果，并基于更及时的信息去完成任务。这个提升放在复杂任务里，会更容易感受到差异。

制定任务，对于项目加一个新的功能，需要模型对项目结构的理解，上下文的概况：

新功能的后端接口也在Controller这个文件进行创建，做到了项目文件一致性。

基本上一次性就生成好了，中间也没有出现报错内容。在 Trae 里，任务制定以及每个任务的处理速度，体感上确实比 GPT4.5 快了不少。之前在使用 GPT 模型的时候，模型前置思考往往就要花掉很多时间，这一点在长任务里尤其明显。

虽然它和参考图相比，在风格取向上有所差异，但基本功能已经完成得差不多了，后面剩下的更多就是细节优化和页面打磨。能在这么短时间里先把核心内容搭起来，已经很适合拿来做快速验证了。

结尾