本方案聚焦五大核心技术模块：视觉-语言预训练（CLIP/提示学习）、多模态Transformer融合、LLM知识增强推理（CoT/LoRA）、RAG检索增强生成、轻量化边缘部署，每个模块均标注具体技术方法和量化目标，形成可落地的技术实现路径。