正在接入 Apple HLS 视频源…
开场围绕 model、Foundation Models、Vision，说明 237 不是产品层 Visual Intelligence，而是图像输入如何进入模型推理和 App 任务链的技术底座。它支撑 I1。
第二段出现 ImageRequestHandler、Foundation Models、Vision，说明图像理解需要输入处理、类型桥接和模型调用路径。它支撑 I2。
中段出现 tool calling、Foundation Models、Vision，说明视觉理解不是模型独自完成，而是模型调度工具并组织结果。它支撑 I3。
第四段继续围绕 Foundation Models 与 Vision，说明视觉理解输出若不能解释来源、置信边界和对应数据，就难以进入产品。它支撑 I4。
收束段回到 Vision、Foundation Models，说明 237 应与 297/246 连接：视觉理解负责把图像变成结构化上下文，搜索和 Intents 负责后续行动。它支撑 I5/I6。
237 的定位不是展示一个视觉入口，而是解释图像如何进入模型推理。它位于 297 Visual Intelligence 之下，负责把视觉输入转成模型可处理、可解释、可连接 App 数据的结构。
图像理解需要稳定的输入处理，而不是直接把图片丢给模型。ImageRequestHandler 这类能力把图像对象、Vision 处理和模型调用连接起来，降低多模态集成成本。
tool calling 与 Vision 结合说明模型不只是描述图片，而是能够调度 OCR、对象识别、区域分析等工具，再把结果组织成 App 可用的上下文。
视觉模型出错会直接影响用户信任。237 应补足质量边界：App 需要知道模型看了什么、从哪里得出结论、是否可靠，以及失败时如何让用户纠正。 这决定了视觉能力是否能被放进高价值任务，而不是停留在不透明识别结果。
237 负责图像理解，297 负责把视觉能力放进 App 体验，246 负责搜索和上下文检索。三者合起来才是完整的多模态任务链，而不是单点识别能力。 因此它是多模态体验从感知走向检索和行动的底层连接点。
有了 237，visual_intelligence_search 不再只有 246 的本地检索和 297 的产品集成，而有了图像理解本身的技术层。下一步可继续补 292 search design，形成技术、体验、设计闭环。