feat(multimodal): 内置多模态感知插件 + process.go 原生支持 tool message 多模态块

【新插件 internal/plugins/multimodal】
- see_picture(path): 读取本地图片/URL，base64 注入 image_url block，
  模型在下一轮 LLM 请求的 tool message 里直接看到图（1024×1024 图约 8500 token）。
  自动识别 MIME，限 3MB 防爆 context。
- see_video(path, frames): ffmpeg 提取关键帧，多帧作为 image_url block 注入。
  默认 4 帧，最大 10 帧，每帧限 2MB。
- listen(path): 读取音频文件，转为 audio_url block 注入，支持 mp3/wav/ogg/m4a。
  限 5MB。

【内核多模态 tool message 支持】
- agent/api 新增 ToolOutput 类型（为后续 handler 直接返回 blocks 预留）
- SDK 公共层新增 ContentBlock/ImageURL/AudioURL（OpenAI 多模态格式）
- IOManager 新增 SetToolBlocks/ConsumeToolBlocks（interface{} 避免循环依赖）
- PluginSDK.SetToolBlocks(blocks) 插件工具调用后注入 blocks
- ioAdapter 桥接 IOInjector.SetToolBlocks
- process.go 工具执行后消费 pending blocks → 追加到 tool message 的 Blocks 字段
  → MarshalJSON 输出 content 数组格式 → LLM 看到图/音频

【验证】
multimodal_see_picture 注入 1024×1024 PNG 后 llmsproxy 统计：
  prompt_tokens=44407（含 ~8500 image token），模型正确描述了图片内容。

internal/agent/api/provider.go

@@ -1230,6 +1230,15 @@ func getFloat(m map[string]interface{}, key string) float64 {
 	return 0
 }
 
+// ToolOutput 是工具 handler 返回的结构化结果，支持多模态内容。
+// 返回 string 时等价于 ToolOutput{Text: result}。
+type ToolOutput struct {
+	Text   string         `json:"text"`                         // LLM 看到的文字描述
+	Blocks []ContentBlock `json:"blocks,omitempty"`             // 附加的多模态块（image_url/audio_url），追加到 tool message
+}
+
+func (t ToolOutput) String() string { return t.Text }
+
 // truncateForLog 诊断日志用截断。
 func truncateForLog(s string, n int) string {
 	if len(s) <= n {

internal/agent/core/agent.go

@@ -98,6 +98,8 @@ type Agent struct {
 	// 模型思考模式（thinking/reasoning）
 	thinkingEnabled bool
 
+	pendingToolBlocks []interface{} // 插件工具通过 SetToolBlocks 注入的多模态块（type agentAPI.ContentBlock），process.go 消费后追加到 tool message
+
 	// 启动时间
 	startTime time.Time
 

internal/agent/core/process.go

@@ -12,6 +12,7 @@ import (
 	agentAPI "gitcode.com/JianFeeeee/HomeAgent/internal/agent/api"
 	"gitcode.com/JianFeeeee/HomeAgent/internal/events"
 	sdk "gitcode.com/JianFeeeee/HomeAgent/internal/sdk"
+	pubsdk "gitcode.com/JianFeeeee/homeagent-sdk/sdk"
 )
 
 func (a *Agent) process(input string, stageCtx *sdk.StageContext) (response string, toolsUsed []string, toolResults []ToolResultItem, err error) {
@@ -311,7 +312,31 @@ func (a *Agent) process(input string, stageCtx *sdk.StageContext) (response stri
 				contentOnce = false
 			}
 			msgs = append(msgs, agentAPI.Message{Role: "assistant", Content: msgContent, ReasoningContent: resp.ReasoningContent, ToolCalls: []agentAPI.ToolCall{tc}})
-			msgs = append(msgs, agentAPI.Message{Role: "tool", ToolCallID: tc.ID, Content: result})
+
+			// 多模态工具结果：插件通过 SDK.SetToolBlocks 注入 image_url/audio_url block，
+			// process.go 拾起并追加到 tool message 的 content 数组（OpenAI 多模态格式），
+			// 让下一轮 LLM 请求在 tool message 里看到图/音频。
+			toolMsg := agentAPI.Message{Role: "tool", ToolCallID: tc.ID, Content: result}
+			if rawBlocks := a.io.ConsumeToolBlocks(); len(rawBlocks) > 0 {
+				var blocks []agentAPI.ContentBlock
+				for _, b := range rawBlocks {
+					if cb, ok := b.(pubsdk.ContentBlock); ok {
+						// 跨包类型拷贝（pubsdk.ContentBlock → agentAPI.ContentBlock）
+						block := agentAPI.ContentBlock{Type: cb.Type, Text: cb.Text}
+						if cb.ImageURL != nil {
+							block.ImageURL = &agentAPI.ImageURL{URL: cb.ImageURL.URL, Detail: cb.ImageURL.Detail}
+						}
+						if cb.AudioURL != nil {
+							block.AudioURL = &agentAPI.AudioURL{URL: cb.AudioURL.URL}
+						}
+						blocks = append(blocks, block)
+					}
+				}
+				if len(blocks) > 0 {
+					toolMsg.Blocks = blocks
+				}
+			}
+			msgs = append(msgs, toolMsg)
 
 			a.publishEvent(events.EventToolCall, map[string]interface{}{
 				"tool":    tc.Name,

internal/agent/io/channel.go

@@ -103,6 +103,11 @@ type IOManager struct {
 	outputCh      chan *OutputEvent
 	nextReqID     int64
 	inputChannels map[string]ChannelDef
+
+	// toolBlocks：插件工具注入多模态内容块，process.go 在下一条 tool message 时消费。
+	// 用 interface{}[] 避免 import api.ContentBlock 导致的循环依赖。
+	toolBlocksMu      sync.Mutex
+	toolPendingBlocks []interface{}
 }
 
 func NewIOManager() *IOManager {
@@ -669,3 +674,20 @@ func (d *GPIODevice) Tools() []ToolDef {
 func (d *GPIODevice) Execute(tool string, args map[string]interface{}) (interface{}, error) {
 	return map[string]interface{}{"device": d.name, "tool": tool, "status": "ok"}, nil
 }
+
+// SetToolBlocks 插件工具调用时注入多模态内容块（image_url/audio_url 等），
+// 下一条 tool message 追加这些块到 content 数组（OpenAI 多模态格式）。
+func (m *IOManager) SetToolBlocks(blocks []interface{}) {
+	m.toolBlocksMu.Lock()
+	m.toolPendingBlocks = blocks
+	m.toolBlocksMu.Unlock()
+}
+
+// ConsumeToolBlocks 返回并清空 pending blocks，process.go 在 append tool message 时调用。
+func (m *IOManager) ConsumeToolBlocks() []interface{} {
+	m.toolBlocksMu.Lock()
+	blocks := m.toolPendingBlocks
+	m.toolPendingBlocks = nil
+	m.toolBlocksMu.Unlock()
+	return blocks
+}