建议：支持模型链（Model Chaining）功能

[hahahotsoup]

允许在对话中设置：当遇到图片输入时，先用指定的视觉模型（如 MiMo）提取结构化信息（SMILES/LaTeX/OCR文本），再将结果自动传递给文本推理模型（如 DeepSeek）处理。

这样用户无需手动切换模型，一个对话里各模型各司其职。