Multimodal Agents by Sierra

Sierra 的多模态智能体把语音、文字和视觉带进同一场客户对话，让用户能发挥每种媒介的长处，而不是只能困在一种方式里。

语音用来解释你需要什么，视觉用来并排比较选项，文字用来之后回头查看。基于 Sierra 构建的智能体会预判对话每个时刻需要什么，并自动切换模式，不用你重新开始或重复刚才的话。

它基于 Sierra 的 MCP UI 集成，所以企业可以设计并托管自己的交互式组件（产品卡片、对比表格、日历、表单），再把它们放进任意对话。组件构建一次，就能在智能体所在的任何地方使用，不用按渠道重建，也不用维护单独版本。更新会立刻同步到所有地方。组件还可以全屏展开，适合任何需要更多空间的内容。

核心功能：根据对话上下文，在语音、文字和视觉之间自动切换模式；MCP UI 集成可嵌入自定义交互式组件（产品卡片、对比表格、日历、表单）；构建一次的组件可在智能体部署的所有渠道使用；需要更多空间的组件可全屏展开；即时更新，无需重新部署即可同步到所有地方。到 sierra.ai 试试 · 多模态智能体

P.S. 我专门挖掘科技、SaaS 和 AI 领域最新最强的发布，关注即可收到通知 → @rohanrecommends

“根据上下文自动切换模式”这部分，我最想看到它能优雅降级——如果智能体判定需要视觉内容，但客户正在打电话、眼前没有屏幕，会发生什么？或者给一个在安静办公室里没法出声回应的人选了语音，又会怎样？客户有没有办法在对话中途覆盖智能体选择的模式，还是这个决定完全由智能体侧说了算？

我反复想到的一个细节是：由智能体决定什么时候切换，而不是让用户一开始就选好渠道。我在 Callie Care 做 voice AI，打电话来的人常常都是 80 多岁，最难的从来不是语音模型，而是判断语音什么时候不再是合适的界面。我们很多失败案例，都发生在用户需要一个之后还能再看一眼的东西的时候。智能体怎么决定切入视觉？这是基于 intent，还是你们会读取像反复澄清、长时间停顿这样的信号？而当它切回语音时，会带着同一份上下文，还是重新开始这一轮？