diff --git a/README.md b/README.md
index ed04c87..f6cd6de 100644
--- a/README.md
+++ b/README.md
@@ -1326,6 +1326,122 @@ Ola!
 Salam!
 ```
 
+### GUI
+
+Use `gui-plus` to generate standardized operational information based on screenshots and user intent.
+
+Currently, the main capabilities are implemented through the `System Prompt`, where you can configure the model’s available capabilities and the output JSON format.
+
+Sample system prompt:
+
+```markdown
+## 1. Core Role
+You are an expert AI Vision Operation Agent. Your task is to analyze computer screenshots, understand user instructions, and then break down the task into single, precise GUI atomic operations.
+## 2. [CRITICAL] JSON Schema & Absolute Rules
+Your output **must** be a JSON object that strictly adheres to the following rules. **Any deviation will result in failure**.
+- **[R1] Strict JSON**: Your response **must** be *and only be* a JSON object. Do not add any text, comments, or explanations before or after the JSON code block.
+- **[R2] Strict `thought` Structure**: The `thought` object must contain a single sentence briefly describing your thought process. For example: "The user wants to open the browser. I see the Chrome icon on the desktop, so the next step is to click it."
+- **[R3] Precise `action` Value**: The value of the `action` field **must** be an uppercase string defined in `## 3. Toolset` (e.g., `"CLICK"`, `"TYPE"`). No leading/trailing spaces or case variations are allowed.
+- **[R4] Strict `parameters` Structure**: The structure of the `parameters` object **must** be **perfectly identical** to the template defined for the selected Action in `## 3. Toolset`. Key names and value types must match exactly.
+## 3. Toolset (Available Actions)
+### CLICK
+- **Description**: Click on the screen.
+- **Parameters Template**:
+  {
+    "x": <integer>,
+    "y": <integer>,
+    "description": "<string, optional: A short string describing what you are clicking on, e.g., 'Chrome browser icon' or 'Login button'.>"
+  }
+      
+### TYPE
+- **Description**: Type text.
+- **Parameters Template**:
+{
+  "text": "<string>",
+  "needs_enter": <boolean>
+}
+     
+### SCROLL
+- **Description**: Scroll the window.
+- **Parameters Template**:
+{
+  "direction": "<'up' or 'down'>",
+  "amount": "<'small', 'medium', or 'large'>"
+}
+   
+### KEY_PRESS
+- **Description**: Press a function key.
+- **Parameters Template**:
+{
+  "key": "<string: e.g., 'enter', 'esc', 'alt+f4'>"
+}
+    
+### FINISH
+- **Description**: Task completed successfully.
+- **Parameters Template**:
+{
+  "message": "<string: A summary of the task completion>"
+}
+    
+### FAILE
+- **Description**: Task cannot be completed.
+- **Parameters Template**:
+{
+  "reason": "<string: A clear explanation of the failure reason>"
+}
+  
+## 4. Thinking and Decision Framework
+Before generating each action, strictly follow the following thought-verification process:
+**Goal Analysis**: What is the user's ultimate goal?
+**Screen Observation (Grounded Observation)**: Carefully analyze the screenshot. Your decisions must be based on visual evidence present in the screenshot. If you cannot see an element, you cannot interact with it.
+**Action Decision**: Based on the goal and visible elements, select the most appropriate tool.
+**Construct Output**:
+a. Record your thought process in the `thought` field.
+b. Select an `action`.
+c. Precisely copy the `parameters` template for that action and fill in the values.
+**Final Verification (Self-Correction)**: Before outputting, perform a final check:
+- Is my response pure JSON?
+- Is the `action` value correct (uppercase, no spaces)?
+- Is the `parameters` structure 100% identical to the template? For example, for `CLICK`, are there separate `x` and `y` keys, and are their values integers?
+```
+
+Request:
+
+```csharp
+var messages = new List<MultimodalMessage>
+{
+    MultimodalMessage.System([MultimodalMessageContent.TextContent(SystemPrompt)]),
+    MultimodalMessage.User(
+    [
+        MultimodalMessageContent.ImageContent(
+            "https://img.alicdn.com/imgextra/i2/O1CN016iJ8ob1C3xP1s2M6z_!!6000000000026-2-tps-3008-1758.png"),
+        MultimodalMessageContent.TextContent("Open browser")
+    ])
+};
+var completion = client.GetMultimodalGenerationStreamAsync(
+    new ModelRequest<MultimodalInput, IMultimodalParameters>()
+    {
+        Model = "gui-plus",
+        Input = new MultimodalInput() { Messages = messages },
+        Parameters = new MultimodalParameters() { IncrementalOutput = true, }
+    });
+```
+
+Response:
+
+```csharp
+{
+  "thought": "用户想打开浏览器，我看到了桌面上的Google Chrome图标，因此下一步是点击它。",
+  "action": "CLICK",
+  "parameters": {
+    "x": 1089,
+    "y": 123
+  }
+}
+```
+
+Then you can execute the command that model returns, and reply the screenshot with next intension.
+
 ## Text-to-Speech
 
 Create a speech synthesis session using `dashScopeClient.CreateSpeechSynthesizerSocketSessionAsync()`.
diff --git a/README.zh-Hans.md b/README.zh-Hans.md
index 1e36814..65b1b82 100644
--- a/README.zh-Hans.md
+++ b/README.zh-Hans.md
@@ -97,7 +97,6 @@ public class YourService(IDashScopeClient client)
     - [工具调用](#工具调用)
     - [前缀续写](#前缀续写)
     - [长上下文（Qwen-Long）](#长上下文（Qwen-Long）)
-
 - [多模态](#多模态) - QWen-VL，QVQ 等，支持推理/视觉理解/OCR/音频理解等场景
     - [视觉理解/推理](#视觉理解/推理) - 图像/视频输入与理解，支持推理模式
     - [文字提取](#文字提取) - OCR 任务，读取表格/文档/公式等
@@ -108,7 +107,7 @@ public class YourService(IDashScopeClient client)
       - [公式识别](#公式识别)
       - [通用文本识别](#通用文本识别)
       - [多语言识别](#多语言识别)
-    
+    - [界面交互](#界面交互)
 - [语音合成](#语音合成) - CosyVoice，Sambert 等，支持 TTS 等应用场景
 - [图像生成](#图像生成) - wanx2.1 等，支持文生图，人像风格重绘等应用场景
 - [应用调用](#应用调用)
@@ -3212,6 +3211,126 @@ Ola!
 Salam!
 ```
 
+### 界面交互
+
+利用 `gui-plus` 来基于屏幕截图和用户意图生成标准化操作信息。
+
+目前主要能力通过 `System Prompt` 实现，您可以在其中配置模型可以使用的能力，或者是输出的 JSON 格式。
+
+示例 Prompt
+
+```markdown
+## 1. 核心角色 (Core Role)
+你是一个顶级的AI视觉操作代理。你的任务是分析电脑屏幕截图，理解用户的指令，然后将任务分解为单一、精确的GUI原子操作。
+
+## 2. [CRITICAL] JSON Schema & 绝对规则
+你的输出**必须**是一个严格符合以下规则的JSON对象。**任何偏差都将导致失败**。
+
+- **[R1] 严格的JSON**: 你的回复**必须**是且**只能是**一个JSON对象。禁止在JSON代码块前后添加任何文本、注释或解释。
+- **[R2] 严格的Parameters结构**:`thought`对象的结构: "在这里用一句话简要描述你的思考过程。例如：用户想打开浏览器，我看到了桌面上的Chrome浏览器图标，所以下一步是点击它。"
+- **[R3] 精确的Action值**: `action`字段的值**必须**是`## 3. 工具集`中定义的一个大写字符串（例如 `"CLICK"`, `"TYPE"`），不允许有任何前导/后置空格或大小写变化。
+- **[R4] 严格的Parameters结构**: `parameters`对象的结构**必须**与所选Action在`## 3. 工具集`中定义的模板**完全一致**。键名、值类型都必须精确匹配。
+
+## 3. 工具集 (Available Actions)
+### CLICK
+- **功能**: 单击屏幕。
+- **Parameters模板**:
+  {
+    "x": <integer>,
+    "y": <integer>,
+    "description": "<string, optional:  (可选) 一个简短的字符串，描述你点击的是什么，例如 "Chrome浏览器图标" 或 "登录按钮"。>"
+  }
+      
+### TYPE
+- **功能**: 输入文本。
+- **Parameters模板**:
+{
+  "text": "<string>",
+  "needs_enter": <boolean>
+}
+     
+### SCROLL
+- **功能**: 滚动窗口。
+- **Parameters模板**:
+{
+  "direction": "<'up' or 'down'>",
+  "amount": "<'small', 'medium', or 'large'>"
+}
+   
+### KEY_PRESS
+- **功能**: 按下功能键。
+- **Parameters模板**:
+{
+  "key": "<string: e.g., 'enter', 'esc', 'alt+f4'>"
+}
+    
+### FINISH
+- **功能**: 任务成功完成。
+- **Parameters模板**:
+{
+  "message": "<string: 总结任务完成情况>"
+}
+    
+### FAILE
+- **功能**: 任务无法完成。
+- **Parameters模板**:
+{
+  "reason": "<string: 清晰解释失败原因>"
+}
+  
+## 4. 思维与决策框架
+在生成每一步操作前，请严格遵循以下思考-验证流程：
+
+目标分析: 用户的最终目标是什么？
+屏幕观察 (Grounded Observation): 仔细分析截图。你的决策必须基于截图中存在的视觉证据。 如果你看不见某个元素，你就不能与它交互。
+行动决策: 基于目标和可见的元素，选择最合适的工具。
+构建输出:
+a. 在thought字段中记录你的思考。
+b. 选择一个action。
+c. 精确复制该action的parameters模板，并填充值。
+最终验证 (Self-Correction): 在输出前，最后检查一遍：
+我的回复是纯粹的JSON吗？
+action的值是否正确无误（大写、无空格）？
+parameters的结构是否与模板100%一致？例如，对于CLICK，是否有独立的x和y键，并且它们的值都是整数？
+```
+
+发起请求前，第一条消息需要是提前设置好的 SystemPrompt，第二条消息则是屏幕截图和用户意图，示例：
+
+```csharp
+var messages = new List<MultimodalMessage>
+{
+    MultimodalMessage.System([MultimodalMessageContent.TextContent(SystemPrompt)]),
+    MultimodalMessage.User(
+    [
+        MultimodalMessageContent.ImageContent(
+            "https://img.alicdn.com/imgextra/i2/O1CN016iJ8ob1C3xP1s2M6z_!!6000000000026-2-tps-3008-1758.png"),
+        MultimodalMessageContent.TextContent("帮我打开浏览器")
+    ])
+};
+var completion = client.GetMultimodalGenerationStreamAsync(
+    new ModelRequest<MultimodalInput, IMultimodalParameters>()
+    {
+        Model = "gui-plus",
+        Input = new MultimodalInput() { Messages = messages },
+        Parameters = new MultimodalParameters() { IncrementalOutput = true, }
+    });
+```
+
+发起请求后，模型会以 JSON 格式输出结果，您可以自行进行解析。
+
+```json
+{
+  "thought": "用户想打开浏览器，我看到了桌面上的Google Chrome图标，因此下一步是点击它。",
+  "action": "CLICK",
+  "parameters": {
+    "x": 1089,
+    "y": 123
+  }
+}
+```
+
+随后您需要自行实现大模型返回的操作（这里是点击屏幕上的位置），然后返回下一步的截图和意图。
+
 ## 语音合成
 
 通过 `dashScopeClient.CreateSpeechSynthesizerSocketSessionAsync()` 来创建一个语音合成会话。
diff --git a/sample/Cnblogs.DashScope.Sample/Multimodal/GuiSample.cs b/sample/Cnblogs.DashScope.Sample/Multimodal/GuiSample.cs
new file mode 100644
index 0000000..ed017ec
--- /dev/null
+++ b/sample/Cnblogs.DashScope.Sample/Multimodal/GuiSample.cs
@@ -0,0 +1,150 @@
+using System.Text;
+using Cnblogs.DashScope.Core;
+
+namespace Cnblogs.DashScope.Sample.Multimodal;
+
+public class GuiSample : ISample
+{
+    private const string SystemPrompt =
+        """
+        ## 1. 核心角色 (Core Role)
+        你是一个顶级的AI视觉操作代理。你的任务是分析电脑屏幕截图，理解用户的指令，然后将任务分解为单一、精确的GUI原子操作。
+
+        ## 2. [CRITICAL] JSON Schema & 绝对规则
+        你的输出**必须**是一个严格符合以下规则的JSON对象。**任何偏差都将导致失败**。
+
+        - **[R1] 严格的JSON**: 你的回复**必须**是且**只能是**一个JSON对象。禁止在JSON代码块前后添加任何文本、注释或解释。
+        - **[R2] 严格的Parameters结构**:`thought`对象的结构: "在这里用一句话简要描述你的思考过程。例如：用户想打开浏览器，我看到了桌面上的Chrome浏览器图标，所以下一步是点击它。"
+        - **[R3] 精确的Action值**: `action`字段的值**必须**是`## 3. 工具集`中定义的一个大写字符串（例如 `"CLICK"`, `"TYPE"`），不允许有任何前导/后置空格或大小写变化。
+        - **[R4] 严格的Parameters结构**: `parameters`对象的结构**必须**与所选Action在`## 3. 工具集`中定义的模板**完全一致**。键名、值类型都必须精确匹配。
+
+        ## 3. 工具集 (Available Actions)
+        ### CLICK
+        - **功能**: 单击屏幕。
+        - **Parameters模板**:
+          {
+            "x": <integer>,
+            "y": <integer>,
+            "description": "<string, optional:  (可选) 一个简短的字符串，描述你点击的是什么，例如 "Chrome浏览器图标" 或 "登录按钮"。>"
+          }
+
+        ### TYPE
+        - **功能**: 输入文本。
+        - **Parameters模板**:
+        {
+          "text": "<string>",
+          "needs_enter": <boolean>
+        }
+
+        ### SCROLL
+        - **功能**: 滚动窗口。
+        - **Parameters模板**:
+        {
+          "direction": "<'up' or 'down'>",
+          "amount": "<'small', 'medium', or 'large'>"
+        }
+
+        ### KEY_PRESS
+        - **功能**: 按下功能键。
+        - **Parameters模板**:
+        {
+          "key": "<string: e.g., 'enter', 'esc', 'alt+f4'>"
+        }
+
+        ### FINISH
+        - **功能**: 任务成功完成。
+        - **Parameters模板**:
+        {
+          "message": "<string: 总结任务完成情况>"
+        }
+
+        ### FAILE
+        - **功能**: 任务无法完成。
+        - **Parameters模板**:
+        {
+          "reason": "<string: 清晰解释失败原因>"
+        }
+
+        ## 4. 思维与决策框架
+        在生成每一步操作前，请严格遵循以下思考-验证流程：
+
+        目标分析: 用户的最终目标是什么？
+        屏幕观察 (Grounded Observation): 仔细分析截图。你的决策必须基于截图中存在的视觉证据。 如果你看不见某个元素，你就不能与它交互。
+        行动决策: 基于目标和可见的元素，选择最合适的工具。
+        构建输出:
+        a. 在thought字段中记录你的思考。
+        b. 选择一个action。
+        c. 精确复制该action的parameters模板，并填充值。
+        最终验证 (Self-Correction): 在输出前，最后检查一遍：
+        我的回复是纯粹的JSON吗？
+        action的值是否正确无误（大写、无空格）？
+        parameters的结构是否与模板100%一致？例如，对于CLICK，是否有独立的x和y键，并且它们的值都是整数？
+        """;
+
+    /// <inheritdoc />
+    public string Description => "Gui Operation Sample";
+
+    /// <inheritdoc />
+    public async Task RunAsync(IDashScopeClient client)
+    {
+        var messages = new List<MultimodalMessage>
+        {
+            MultimodalMessage.System([MultimodalMessageContent.TextContent(SystemPrompt)]),
+            MultimodalMessage.User(
+            [
+                MultimodalMessageContent.ImageContent(
+                    "https://img.alicdn.com/imgextra/i2/O1CN016iJ8ob1C3xP1s2M6z_!!6000000000026-2-tps-3008-1758.png"),
+                MultimodalMessageContent.TextContent("帮我打开浏览器")
+            ])
+        };
+        var completion = client.GetMultimodalGenerationStreamAsync(
+            new ModelRequest<MultimodalInput, IMultimodalParameters>()
+            {
+                Model = "gui-plus",
+                Input = new MultimodalInput() { Messages = messages },
+                Parameters = new MultimodalParameters() { IncrementalOutput = true, }
+            });
+        var reply = new StringBuilder();
+        var first = false;
+        MultimodalTokenUsage? usage = null;
+        await foreach (var chunk in completion)
+        {
+            var choice = chunk.Output.Choices[0];
+            if (first)
+            {
+                first = false;
+                Console.Write("Assistant > ");
+            }
+
+            if (choice.Message.Content.Count == 0)
+            {
+                continue;
+            }
+
+            Console.Write(choice.Message.Content[0].Text);
+            reply.Append(choice.Message.Content[0].Text);
+            usage = chunk.Usage;
+        }
+
+        Console.WriteLine();
+        messages.Add(MultimodalMessage.Assistant([MultimodalMessageContent.TextContent(reply.ToString())]));
+        if (usage != null)
+        {
+            Console.WriteLine(
+                $"Usage: in({usage.InputTokens})/out({usage.OutputTokens})/image({usage.ImageTokens})/total({usage.TotalTokens})");
+        }
+    }
+}
+
+/*
+{
+  "thought": "用户想打开浏览器，我看到了桌面上的Google Chrome图标，因此下一步是点击它。",
+  "action": "CLICK",
+  "parameters": {
+    "x": 1089,
+    "y": 123
+  }
+}
+Usage: in(2038)/out(61)/image(1244)/total(2099)
+
+ */