// Package multimodal 汇集运行时对非文本输入/输出的处理：
// 图像理解（视觉 vision）与语音（voice）。
//
// 它遵循 DevDocs/design/06-多模态.md：
//
//   - vision 子包按分层策略路由图像消息（先主模型，
//     再工具形态的 vision/OCR 适配器），并把
//     这些适配器注册为 sdk.Tool 能力，使 M2 工具循环能调用
//     它们，而无需把图像放进主模型上下文。
//   - voice 子包通过一条降级提供方链
//     （cloud → local → edge-tts/espeak → silent）提供异步 STT/TTS。
//
// 两个子包都把真实的提供方调用藏在接口之后，并提供一个 HTTP
// 默认实现，因此可用标准库 httptest 服务器测试，
// 同时把真实的云端/本地提供方留作后续
// 里程碑的适配点。
package multimodal