이 서베이는 멀티모달성이 LLM 기반 에이전트의 지각·추론·계획·기억·행동이라는 핵심 기능 모듈에 미치는 영향을 체계적으로 분석한다. 텍스트 중심 에이전트에서 이미지·오디오·비디오를 통합하는 멀티모달 프레임워크로의 진화 과정을 추적하고, 위임형·후기 융합·초기 융합이라는 세 가지 통합 아키텍처를 비교한다. 로보틱스, GUI·웹 내비게이션, 멀티미디어 생성·편집, 장편 비디오 이해·검색 등 다양한 응용 영역의 시스템을 검토하며, 학습·추론 비용과 지연시간 등 효율성-확장성 트레이드오프도 함께 논의한다. 모달리티 중심 분류체계를 통해 아키텍처 선택과 에이전트 능력을 연결함으로써, 범용 지능 시스템으로 가는 로드맵의 공백을 짚어낸다.

• •멀티모달성이 지각·추론·계획·기억·행동 등 에이전트 핵심 모듈에 미치는 영향을 체계적으로 정리
• •위임형(delegated), 후기 융합, 초기 융합 세 통합 아키텍처 비교
• •로보틱스, GUI·웹 내비게이션, 멀티미디어 생성·편집, 장편 비디오 이해 등 응용 도메인별 시스템 검토
• •학습·추론 비용, 지연시간, 배포 제약 등 효율성-확장성 트레이드오프 분석
• •모달리티 중심 분류체계로 아키텍처 설계와 에이전트 능력을 연결하는 로드맵 제시