CrewAI 是否支持多模态输入输出？

1. 多模态文件输入支持

CrewAI 原生支持多种文件类型的输入处理，通过 crewai-files 包提供专门的类：

• ImageFile：照片、截图、图表、示意图
• PDFFile：文档、报告、论文
• AudioFile：语音录音、播客、会议记录
• VideoFile：屏幕录制、演示视频
• TextFile：代码文件、日志、数据文件

文件可以通过本地路径、URL 或字节流三种方式传入，支持在 Crew、Task、Flow 和单独 Agent 四个层级传递，更具体的层级具有更高优先级。

2. 自动格式适配

CrewAI 自动根据 LLM 提供商的 API 要求格式化文件：

• OpenAI：图像最大 20 MB，PDF 最大 32 MB，音频最大 25 MB
• Anthropic：图像最大 5 MB，PDF 最大 32 MB
• Google Gemini：图像最大 100 MB，PDF 最大 50 MB，音频最大 100 MB，视频最大 2 GB
• AWS Bedrock：图像最大 4.5 MB，PDF 最大 3.75 MB

对于没有文件上传 API 的提供商，CrewAI 自动使用内联 base64 编码；当文件超过提供商限制时，支持 strict、auto、warn 和 chunk 等处理模式。

3. 在提示词中引用文件

开发者可以在任务描述中使用文件的键名引用文件，智能体会自动理解并处理：

task = Task(
    description="""
    分析提供的材料：
    1. 审查 {sales_chart} 中的图表
    2. 与 {quarterly_report} 中的数据进行交叉验证
    3. 总结主要发现
    """,
    input_files={
        "sales_chart": ImageFile(source="chart.png"),
        "quarterly_report": PDFFile(source="report.pdf"),
    }
)

4. 多模态能力的边界

需要注意的是，图像和 PDF 的端到端验证已经较为成熟，但音频、视频和文档目前可能通过图像通道路由，在严格模式下可能被某些提供商拒绝。原生按类型的映射仍是一个已知差距，而非完全发布的功能。