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/plugins/agentcli/plugin_test.go

@@ -11,6 +11,7 @@ import (
 	"time"
 
 	sdk "gitcode.com/JianFeeeee/HomeAgent/internal/sdk"
+	sdkpub "gitcode.com/JianFeeeee/homeagent-sdk/sdk"
 )
 
 type toolCapture struct {
@@ -415,6 +416,10 @@ func (c *injectCapture) InjectTextNoMemory(source, channel, text string) {
 	c.texts = append(c.texts, text)
 	c.mu.Unlock()
 }
+
+func (c *injectCapture) SetToolBlocks(blocks []sdkpub.ContentBlock) {
+	// 测试桩：忽略多模态块
+}
 func (c *injectCapture) InjectInputSync(source, channel, text string) string { return "" }
 
 func (c *injectCapture) snapshot() []string {