媒体理解（入站）— 2026-01-17

OpenClaw 可以在回复流程运行前自动总结入站媒体（图片/音频/视频）。它会自动检测本地工具或 Provider 密钥是否可用，你也可以禁用或自定义这个功能。如果关闭理解功能，模型仍会像往常一样接收原始文件或 URL。

目标

  • 可选：将入站媒体预先转换成简短文本，加快路由速度，提升命令解析效果。
  • 始终保留原始媒体传递给模型。
  • 支持 Provider API 和 CLI 备用方案。
  • 允许配置多个模型，按顺序进行故障转移（处理错误/大小/超时）。

工作流程

  1. 收集入站附件（MediaPaths、MediaUrls、MediaTypes）。
  2. 对每个启用的能力（图片/音频/视频），按策略选择附件（默认：第一个）。
  3. 选择第一个符合条件的模型条目（大小 + 能力 + 认证）。
  4. 如果模型失败或媒体太大，回退到下一个条目。
  5. 成功时：
    • Body 变成 [Image]、[Audio] 或 [Video] 块。
    • 音频会设置 {{Transcript}}；命令解析会优先使用标题文本， 如果没有标题则使用转录文本。
    • 标题会保留为块内的 User text:。

如果理解失败或被禁用，回复流程会继续，使用原始正文和附件。

配置概览

tools.media 支持共享模型列表以及按能力覆盖：

  • tools.media.models：共享模型列表（使用 capabilities 来限制）。
  • tools.media.image / tools.media.audio / tools.media.video：
    • 默认值（prompt、maxChars、maxBytes、timeoutSeconds、language）
    • Provider 覆盖（baseUrl、headers、providerOptions）
    • Deepgram 音频选项通过 tools.media.audio.providerOptions.deepgram 配置
    • 可选的按能力 models 列表（优先于共享模型）
    • attachments 策略（mode、maxAttachments、prefer）
    • scope（可选，按 channel/chatType/session key 限制）
  • tools.media.concurrency：最大并发能力运行数（默认 2）。
{
  tools: {
    media: {
      models: [
        /* 共享列表 */
      ],
      image: {
        /* 可选覆盖 */
      },
      audio: {
        /* 可选覆盖 */
      },
      video: {
        /* 可选覆盖 */
      },
    },
  },
}

模型条目

每个 models[] 条目可以是 provider 或 CLI：

{
  type: "provider", // 省略时默认
  provider: "openai",
  model: "gpt-5.2",
  prompt: "Describe the image in <= 500 chars.",
  maxChars: 500,
  maxBytes: 10485760,
  timeoutSeconds: 60,
  capabilities: ["image"], // 可选，用于多模态条目
  profile: "vision-profile",
  preferredProfile: "vision-fallback",
}
{
  type: "cli",
  command: "gemini",
  args: [
    "-m",
    "gemini-3-flash",
    "--allowed-tools",
    "read_file",
    "Read the media at {{MediaPath}} and describe it in <= {{MaxChars}} characters.",
  ],
  maxChars: 500,
  maxBytes: 52428800,
  timeoutSeconds: 120,
  capabilities: ["video", "image"],
}

CLI 模板还可以使用：

  • {{MediaDir}}（包含媒体文件的目录）
  • {{OutputDir}}（为本次运行创建的临时目录）
  • {{OutputBase}}（临时文件基础路径，不含扩展名）

默认值和限制

推荐的默认值：

  • maxChars：图片/视频用 500（简短，便于命令解析）
  • maxChars：音频不设置（完整转录，除非你设置限制）
  • maxBytes：
    • 图片：10MB
    • 音频：20MB
    • 视频：50MB

规则：

  • 如果媒体超过 maxBytes，该模型会被跳过，尝试下一个模型。
  • 如果模型返回超过 maxChars 的内容，输出会被截断。
  • prompt 默认为简单的 “Describe the {media}.” 加上 maxChars 指导（仅图片/视频）。
  • 如果 <capability>.enabled: true 但没有配置模型，OpenClaw 会在 Provider 支持该能力时 尝试使用当前活动的回复模型。

自动检测媒体理解（默认）

如果 tools.media.<capability>.enabled 没有设置为 false 且你没有配置模型， OpenClaw 会按以下顺序自动检测，在第一个可用选项处停止：

  1. 本地 CLI（仅音频；如果已安装）
    • sherpa-onnx-offline（需要 SHERPA_ONNX_MODEL_DIR 包含 encoder/decoder/joiner/tokens）
    • whisper-cli（whisper-cpp；使用 WHISPER_CPP_MODEL 或内置的 tiny 模型）
    • whisper（Python CLI；自动下载模型）
  2. Gemini CLI（gemini）使用 read_many_files
  3. Provider 密钥
    • 音频：OpenAI → Groq → Deepgram → Google
    • 图片：OpenAI → Anthropic → Google → MiniMax
    • 视频：Google

要禁用自动检测，设置：

{
  tools: {
    media: {
      audio: {
        enabled: false,
      },
    },
  },
}

注意：二进制检测在 macOS/Linux/Windows 上是尽力而为的；确保 CLI 在 PATH 中（我们会展开 ~），或者设置一个带完整命令路径的显式 CLI 模型。

Capabilities（可选）

如果你设置了 capabilities，该条目只会为这些媒体类型运行。对于共享列表， OpenClaw 可以推断默认值：

  • openai、anthropic、minimax：image
  • google（Gemini API）：image + audio + video
  • groq：audio
  • deepgram：audio

对于 CLI 条目，显式设置 capabilities 以避免意外匹配。 如果省略 capabilities，该条目对它所在的列表都有效。

Provider 支持矩阵（OpenClaw 集成）

能力Provider 集成说明
ImageOpenAI / Anthropic / Google / 其他通过 pi-ai注册表中任何支持图片的模型都可用。
AudioOpenAI、Groq、Deepgram、GoogleProvider 转录（Whisper/Deepgram/Gemini）。
VideoGoogle（Gemini API）Provider 视频理解。

推荐的 Provider

图片

  • 如果你的活动模型支持图片，优先使用它。
  • 好的默认选择：openai/gpt-5.2、anthropic/claude-opus-4-5、google/gemini-3-pro-preview。

音频

  • openai/gpt-4o-mini-transcribe、groq/whisper-large-v3-turbo 或 deepgram/nova-3。
  • CLI 备用：whisper-cli（whisper-cpp）或 whisper。
  • Deepgram 设置：Deepgram（音频转录）。

视频

  • google/gemini-3-flash-preview（快速）、google/gemini-3-pro-preview（更丰富）。
  • CLI 备用：gemini CLI（支持视频/音频的 read_file）。

附件策略

按能力的 attachments 控制处理哪些附件：

  • mode：first（默认）或 all
  • maxAttachments：限制处理数量（默认 1）
  • prefer：first、last、path、url

当 mode: "all" 时，输出会标记为 [Image 1/2]、[Audio 2/2] 等。

配置示例

1) 共享模型列表 + 覆盖

{
  tools: {
    media: {
      models: [
        { provider: "openai", model: "gpt-5.2", capabilities: ["image"] },
        {
          provider: "google",
          model: "gemini-3-flash-preview",
          capabilities: ["image", "audio", "video"],
        },
        {
          type: "cli",
          command: "gemini",
          args: [
            "-m",
            "gemini-3-flash",
            "--allowed-tools",
            "read_file",
            "Read the media at {{MediaPath}} and describe it in <= {{MaxChars}} characters.",
          ],
          capabilities: ["image", "video"],
        },
      ],
      audio: {
        attachments: { mode: "all", maxAttachments: 2 },
      },
      video: {
        maxChars: 500,
      },
    },
  },
}

2) 仅音频 + 视频（关闭图片）

{
  tools: {
    media: {
      audio: {
        enabled: true,
        models: [
          { provider: "openai", model: "gpt-4o-mini-transcribe" },
          {
            type: "cli",
            command: "whisper",
            args: ["--model", "base", "{{MediaPath}}"],
          },
        ],
      },
      video: {
        enabled: true,
        maxChars: 500,
        models: [
          { provider: "google", model: "gemini-3-flash-preview" },
          {
            type: "cli",
            command: "gemini",
            args: [
              "-m",
              "gemini-3-flash",
              "--allowed-tools",
              "read_file",
              "Read the media at {{MediaPath}} and describe it in <= {{MaxChars}} characters.",
            ],
          },
        ],
      },
    },
  },
}

3) 可选的图片理解

{
  tools: {
    media: {
      image: {
        enabled: true,
        maxBytes: 10485760,
        maxChars: 500,
        models: [
          { provider: "openai", model: "gpt-5.2" },
          { provider: "anthropic", model: "claude-opus-4-5" },
          {
            type: "cli",
            command: "gemini",
            args: [
              "-m",
              "gemini-3-flash",
              "--allowed-tools",
              "read_file",
              "Read the media at {{MediaPath}} and describe it in <= {{MaxChars}} characters.",
            ],
          },
        ],
      },
    },
  },
}

4) 多模态单条目（显式 capabilities）

{
  tools: {
    media: {
      image: {
        models: [
          {
            provider: "google",
            model: "gemini-3-pro-preview",
            capabilities: ["image", "video", "audio"],
          },
        ],
      },
      audio: {
        models: [
          {
            provider: "google",
            model: "gemini-3-pro-preview",
            capabilities: ["image", "video", "audio"],
          },
        ],
      },
      video: {
        models: [
          {
            provider: "google",
            model: "gemini-3-pro-preview",
            capabilities: ["image", "video", "audio"],
          },
        ],
      },
    },
  },
}

状态输出

当媒体理解运行时，/status 会包含一行简短摘要：

📎 Media: image ok (openai/gpt-5.2) · audio skipped (maxBytes)

这会显示每个能力的结果以及选择的 provider/model（如果适用）。

注意事项

  • 理解是尽力而为的。错误不会阻止回复。
  • 即使禁用理解，附件仍会传递给模型。
  • 使用 scope 限制理解运行的位置（例如仅 DM）。

相关文档