媒体理解（入站） — 2026-01-17 – Clawdbot

文档

节点

媒体理解（入站） — 2026-01-17

适用范围

在以下情况使用此页面：

设计或重构媒体理解功能
调整入站音频/视频/图像预处理

Clawdbot 可以在回复管道运行之前汇总入站媒体（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，模型仍然会像往常一样接收原始文件/URL。

目标

可选：将入站媒体预先摘要为简短文本，以便更快地路由 + 更好地解析命令。
始终保留原始媒体传递到模型。
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）。
对于每个启用的能力（图像/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过大，回退到下一个条目。
成功时：
- Body 变成 [Image]、[Audio] 或 [Video] 块。
- 音频设置 {{Transcript}}；命令解析在存在说明文字时使用说明文字，否则使用转录文本。
- 说明文字作为 User text: 保留在块内。

如果理解失败或被禁用，回复流程将继续使用原始正文 + 附件。

配置概述

tools.media 支持共享模型以及针对各能力的覆盖：

tools.media.models: 共享模型列表（使用 capabilities 进行过滤）。
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）
- Deepgram 音频选项通过 tools.media.audio.providerOptions.deepgram
- 可选的针对各能力的 models 列表（优先于共享模型）
- attachments 策略（mode、maxAttachments、prefer）
- scope（可选，按频道/聊天类型/会话密钥过滤）
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",        // 如果省略则为默认
  provider: "openai",
  model: "gpt-5.2",
  prompt: "用 <= 500 字符描述图像。",
  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",
    "阅读 {{MediaPath}} 处的媒体并用 <= {{MaxChars}} 字符描述它。"
  ],
  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：图像/视频为 500（简短、命令友好）
maxChars：音频未设置（完整转录，除非您设置限制）
maxBytes：
- 图像：10MB
- 音频：20MB
- 视频：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，输出将被截断。
prompt 默认为简单的"描述 {media}“加上 maxChars 指导（仅图像/视频）。
如果 <capability>.enabled: true 但未配置模型，当其提供商支持该能力时，Clawdbot 会尝试活动回复模型。

自动检测媒体理解（默认）

如果 tools.media.<capability>.enabled 未设置为 false 且您未配置模型，Clawdbot 将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（需要带有编码器/解码器/连接器/token 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 上是尽力而为的；确保 CLI 在 PATH 上（我们展开 ~），或使用完整命令路径设置显式 CLI 模型。

能力（可选）

如果您设置 capabilities，该条目仅针对这些媒体类型运行。对于共享列表，Clawdbot 可以推断默认值：

openai、anthropic、minimax：图像
google（Gemini API）：图像 + 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。如果省略 capabilities，该条目有资格出现在其所在的列表中。

提供商支持矩阵（Clawdbot 集成）

能力	提供商集成	备注
图像	OpenAI / Anthropic / Google / 其他通过 `pi-ai`	注册表中任何支持图像的模型都有效。
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

针对各能力的 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",
            "阅读 {{MediaPath}} 处的媒体并用 <= {{MaxChars}} 字符描述它。"
          ],
          capabilities: ["image", "video"]
        }
      ],
      audio: {
        attachments: { mode: "all", maxAttachments: 2 }
      },
      video: {
        maxChars: 500
      }
    }
  }
}

2) 仅音频 + 视频（关闭图像）

{
  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",
              "阅读 {{MediaPath}} 处的媒体并用 <= {{MaxChars}} 字符描述它。"
            ]
          }
        ]
      }
    }
  }
}

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",
              "阅读 {{MediaPath}} 处的媒体并用 <= {{MaxChars}} 字符描述它。"
            ]
          }
        ]
      }
    }
  }
}

4) 多模态单一条目（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 包含简短摘要行：

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

这显示针对各能力的结果以及适用的提供商/模型。

备注

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