媒体理解

OpenClaw 可以在回复流程运行之前摘要入站媒体（图片/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。如果理解关闭，模型仍然会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短文本，以便更快路由 + 更好的命令解析。
保留原始媒体传递给模型（始终）。
支持提供商 API 和 CLI 回退。
允许多个模型并按顺序回退（错误/大小/超时）。

高层行为

收集入站附件（MediaPaths、MediaUrls、MediaTypes）。
对于每个启用的能力（图片/音频/视频），根据策略选择附件（默认：第一个）。
选择第一个符合条件的模型条目（大小 + 能力 + 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}}；命令解析在有标题文本时使用标题文本，否则使用转录。
- 标题作为 User text: 保留在块内。

如果理解失败或被禁用，回复流程继续使用原始正文 + 附件。

配置概述

tools.media 支持共享模型加上每能力覆盖：

tools.media.models：共享模型列表（使用 capabilities 来限定）。
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
- 可选的每能力 models 列表（优先于共享模型）
- attachments 策略（mode、maxAttachments、prefer）
- scope（可选的按渠道/聊天类型/会话键限定）
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[] 条目可以是提供商或 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，无扩展名）

默认值和限制

推荐默认值：

maxChars：图片/视频为 500（简短，适合命令）
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，该模型被跳过，尝试下一个模型。
如果模型返回超过 maxChars，输出被截断。
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 但未配置模型，当提供商支持该能力时，OpenClaw 尝试活动的回复模型。

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 按以下顺序自动检测并在第一个可用选项处停止：

本地 CLI（仅音频；如果已安装）
- sherpa-onnx-offline（需要带有 encoder/decoder/joiner/tokens 的 SHERPA_ONNX_MODEL_DIR）
- 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：二进制文件检测在 macOS/Linux/Windows 上是尽力而为的；确保 CLI 在 PATH 上（我们会展开 ~），或设置带有完整命令路径的显式 CLI 模型。

能力（可选）

如果你设置了 capabilities，该条目仅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：图片
google（Gemini API）：图片 + 音频 + 视频
groq：音频
deepgram：音频

对于 CLI 条目，显式设置 capabilities 以避免意外匹配。如果你省略 capabilities，该条目对它出现的列表都符合条件。

提供商支持矩阵（OpenClaw 集成）

能力	提供商集成	说明
图片	OpenAI / Anthropic / Google / 其他通过 `pi-ai`	注册表中任何支持图片的模型都可用。
音频	OpenAI、Groq、Deepgram、Google	提供商转录（Whisper/Deepgram/Gemini）。
视频	Google（Gemini API）	提供商视频理解。

附件策略

每能力的 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（图片关闭）

{
  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（显式能力）

{
  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 包含一行简短摘要：

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

这显示每能力的结果以及适用时选择的提供商/模型。

注意事项

理解是尽力而为的。错误不会阻止回复。
即使理解被禁用，附件仍然传递给模型。
使用 scope 限制理解运行的位置（例如仅私信）。

目标