本章目标：把一段文本发送给 TTS 接口，理解为什么响应不再是 JSON，而是音频字节，并把它保存成可播放的文件。

本章目标：把一个本地音频文件发送给语音识别接口，拿到文字转录结果，并理解音频字节、Base64、JSON 响应和文本链路之间的关系。

本章目标：亲手看懂并发送一次“文字 + 图片”的模型请求，理解多模态输入的 Python 形态、模型能力边界和项目里的调用位置。

Hugging Face 不是一个模型，而是一套围绕模型仓库、模型加载库和推理服务组成的生态；你项目的本地 Embedding 已经在其中。

Multi-Agent 不是“多开几个模型就更聪明”，而是把职责、工具和上下文拆给不同执行单元，再规定谁负责调度、谁负责最后对用户说话。

本章在 2026-07-22 按 Dify Cloud 最新官方文档和你当前的中文画布核对。以实际 Dify Cloud 画布和最新官方英文文档为准；中文标签用于帮助你在界面中定位。

本章以 LangGraph 官方文档为准，并按当前项目的学习顺序改写：

本章参考 LangChain 官方文档，并结合你当前项目改写成学习版：