只会读写文字的 Agent，等于既聋又瞎：它看不懂用户发的截图、听不懂录音，更别提自己画图、剪视频。这篇围绕 DashScope 上 Qwen 与万相两族模型，讲透多模态 Agent 的两条能力主线——「理解」（图片/音频/视频 → 文字）与「生成」（文字/图片 → 图像/视频），并点破背后的两套调用协议与「同步调用 vs 异步任务」的分水岭，适合想给 LangChain.js 应用接上多模态能力的开发者