我们推出V-Agent——一个创新的多智能体平台，专为高级视频搜索与交互式人机对话而设计。通过基于小规模视频偏好数据集对视觉语言模型进行微调，并借助图像-文本检索模型生成的检索向量进行增强，该系统突破了传统文本检索在多模态场景中的局限。基于VLM的检索模型能够将自动语音识别模块提取的视频帧与音频转录文本独立嵌入共享的多模态表示空间，使V-Agent能够同时解析视觉内容与语音信息，实现情境感知的视频搜索。该平台由路由智能体、搜索智能体和对话智能体协同工作，通过优化搜索结果并与用户持续交互来响应用户需求。搜索智能体结合VLM检索模型与重排序模块，进一步提升视频检索质量。我们提出的框架在MultiVENT 2.0基准测试中实现了零样本学习的最优性能，展现了其在学术研究与实际应用中的巨大潜力。