图像与媒体支持

图片与媒体支持 (2025-12-05)

WhatsApp 渠道通过 Baileys Web 运行。本文档记录了目前针对发送、网关和代理回复的媒体处理规则。

目标

• 通过 openclaw message send --media 发送带有可选字幕的媒体。
• 允许来自网页收件箱的自动回复包含媒体以及文本。
• 保持每种类型的限制合理且可预测。

CLI 界面

• openclaw message send --media <path-or-url> [--message <caption>]
  • --media 可选；对于仅发送媒体的情况，说明文字可以为空。
  • --dry-run 打印解析后的负载；--json 发出 { channel, to, messageId, mediaUrl, caption }。

WhatsApp 渠道行为

• 输入：本地文件路径 或 HTTP(S) URL。
• 流程：加载到 Buffer 中，检测媒体类型，并构建正确的负载：
  • 图片： 调整大小并重新压缩为 JPEG（最长边 2048px），目标是 channels.whatsapp.mediaMaxMb（默认：50 MB）。
  • 音频/语音/视频： 最大通过 16 MB；音频作为语音笔记发送（ptt: true）。
  • 文档： 其他任何内容，最大 100 MB，并在可用时保留文件名。
• WhatsApp GIF 风格播放：发送带有 gifPlayback: true（CLI：--gif-playback）的 MP4，以便移动客户端内联循环。
• MIME 检测优先使用魔术字节，然后是标头，最后是文件扩展名。
• 说明文字来自 --message 或 reply.text；允许空说明文字。
• 日志记录：非详细模式显示 ↩️/✅；详细模式包括大小和源路径/URL。

自动回复流水线

• getReplyFromConfig 返回 { text?, mediaUrl?, mediaUrls? }。
• 当存在媒体时，Web 发送者使用与 openclaw message send 相同的流水线来解析本地路径或 URL。
• 如果提供了多个媒体条目，则按顺序发送。

入站媒体到命令 (Pi)

• 当入站 Web 消息包含媒体时，OpenClaw 会将其下载到临时文件并公开模板变量：
  • {{MediaUrl}} 用于入站媒体的伪 URL。
  • {{MediaPath}} 运行命令之前写入的本地临时路径。
• 当启用每个会话的 Docker 沙箱时，入站媒体会复制到沙箱工作区中，并且 MediaPath/MediaUrl 会被重写为相对路径，如 media/inbound/<filename>。
• 媒体理解（如果通过 tools.media.* 或共享 tools.media.models 配置）在模板化之前运行，并且可以将 [Image]、[Audio] 和 [Video] 块插入到 Body 中。
  • 音频设置 {{Transcript}} 并使用转录文本进行命令解析，因此斜杠命令仍然有效。
  • 视频和图像描述保留任何字幕文本以进行命令解析。
• 默认情况下，仅处理第一个匹配的图像/音频/视频附件；设置 tools.media.<cap>.attachments 以处理多个附件。

限制与错误

Outbound send caps (WhatsApp web send)

• 图片：重新压缩后最多 channels.whatsapp.mediaMaxMb（默认：50 MB）。
• 音频/语音/视频：16 MB 上限；文档：100 MB 上限。
• 过大或无法读取的媒体 → 日志中有明确的错误，并跳过回复。

媒体理解上限（转录/描述）

• 图片默认值：10 MB (tools.media.image.maxBytes)。
• 音频默认值：20 MB (tools.media.audio.maxBytes)。
• 视频默认值：50 MB (tools.media.video.maxBytes)。
• 过大的媒体会跳过理解，但回复仍会使用原始正文发送。

测试注意事项

• 涵盖图像/音频/文档情况的发送 + 回复流程。
• 验证图像的重新压缩（大小限制）和音频的语音备注标志。
• 确保多媒体回复作为顺序发送分发。