Media Understanding（媒体理解）（入站） — 2026-01-17

OpenClaw 可以在回复管道运行之前总结入站媒体（图像/音频/视频）。它会自动检测本地工具或提供商密钥是否可用，并且可以禁用或自定义。如果理解功能关闭，模型仍然像往常一样接收原始文件/URL。

目标

可选：将入站媒体预先消化为简短文本，以便更快地路由和更好地解析命令。
保留原始媒体传递给模型（始终）。
支持提供商 API 和 CLI 回退。
允许多个模型按顺序回退（错误/大小/超时）。

高级行为

收集入站附件（MediaPaths、MediaUrls、MediaTypes）。
对于每个启用的功能（image/audio/video），根据策略选择附件（默认：first（第一个））。
选择第一个符合条件的模型条目（大小 + 功能 + 认证）。
如果模型失败或媒体太大，回退到下一个条目。
成功时：
- Body 变为 [Image]、[Audio] 或 [Video] 块。
- 音频设置 {{Transcript}}；当存在标题文本时，命令解析使用标题文本，否则使用转录文本。
- 标题在块内保留为 User text:。

如果理解失败或被禁用，回复流程继续使用原始正文 + 附件。

配置概览

tools.media 支持共享模型以及每个功能的覆盖：

tools.media.models：共享模型列表（使用 capabilities 进行控制）。
tools.media.image / tools.media.audio / tools.media.video：
- 默认值（prompt、maxChars、maxBytes、timeoutSeconds、language）
- 提供商覆盖（baseUrl、headers、providerOptions）
- 通过 tools.media.audio.providerOptions.deepgram 配置 Deepgram 音频选项
- 可选的每个功能 models 列表（优先于共享模型）
- attachments 策略（mode、maxAttachments、prefer）
- scope（可选的通道/聊天类型/会话键控制）
tools.media.concurrency：最大并发功能运行数（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（提供商） 或 CLI：

{
  type: "provider",        // 如果省略则为默认值
  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}}（为此运行创建的临时目录）
{{OutputBase}}（临时文件基本路径，无扩展名）

默认值和限制

推荐的默认值：

maxChars：image/video 为 500（简短，适合命令）
maxChars：audio 为 未设置（完整转录，除非你设置限制）
maxBytes：
- image：10MB
- audio：20MB
- video：50MB

规则：

如果媒体超过 maxBytes，该模型将被跳过，并尝试下一个模型。
如果模型返回超过 maxChars，输出将被修剪。
prompt 默认为简单的 "Describe the {media}." 加上 maxChars 指导（仅限 image/video）。
如果 <capability>.enabled: true 但未配置模型，OpenClaw 在其提供商支持该功能时尝试活动回复模型。

自动检测媒体理解（默认）

如果 tools.media.<capability>.enabled 未设置为 false 且你没有配置模型，OpenClaw 按此顺序自动检测并在第一个工作选项处停止：

本地 CLI（仅限音频；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 或捆绑的 tiny 模型）
- whisper（Python CLI；自动下载模型）
Gemini CLI（gemini）使用 read_many_files
提供商密钥
- 音频：OpenAI → Groq → Deepgram → Google
- 图像：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 上尽力而为；确保 CLI 在 PATH 中（我们扩展 ~），或设置一个带有完整命令路径的显式 CLI 模型。

Capabilities（功能）（可选）

如果你设置了 capabilities，条目仅针对这些媒体类型运行。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，明确设置 capabilities 以避免意外匹配。如果你省略 capabilities，该条目对其所在列表中的功能都符合条件。

提供商支持矩阵（OpenClaw 集成）

功能	提供商集成	注意事项
Image	OpenAI / Anthropic / Google / 其他通过 pi-ai	注册表中任何支持图像的模型都可以工作。
Audio	OpenAI、Groq、Deepgram、Google	提供商转录（Whisper/Deepgram/Gemini）。
Video	Google（Gemini API）	提供商视频理解。

附件策略

每个功能的 attachments 控制处理哪些附件：

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

当 mode: "all" 时，输出标记为 [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（图像关闭）

{
  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) 可选图像理解

{
  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) 多模态单一条目（显式功能）

{
  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 包含一行简短的摘要：

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

这显示了每个功能的结果以及适用时选择的提供商/模型。

注意事项

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