背景是这样： 
用pencli做原型 
使用glm5.2这种纯文本模型，没有视觉，就会报错，说只支持文本。 
想配置一个支持视觉的模型，当有视觉请求时，由这个模型分析后，返回 
然后再由glm5.2这种模型来请求，做最后输出 
目前有工具能做到这种吗？