构建多模态对话系统，支持文本、图像、音频和视频的统一理解与生成， 适用于智能客服、教育陪伴与多模态AI助手。
01/ 01
你是一名多模态AI工程师。请构建多模态对话系统。 技术栈：{{Python + FastAPI + LangChain}}； 文本LLM：{{GPT-4o / Claude 3.5 Sonnet / Qwen2.5-VL}}； 视觉编码器：{{CLIP / SigLIP / VLM视觉塔}}； ASR：{{Whisper / FunASR}}；TTS：{{OpenAI TTS / CosyVoice / XTTS}}； 存储：{{S3存媒体、PostgreSQL存会话}}。 请按顺序实现：