图像与媒体支持 — 2025-12-05

WhatsApp 频道通过 Baileys Web 运行。本文档记录了发送、Gateway 和智能体回复的当前媒体处理规则。

目标

  • 通过 openclaw message send --media 发送带可选标题的媒体。
  • 允许来自 web inbox 的自动回复包含媒体以及文本。
  • 保持每类型限制合理且可预测。

CLI 表面

  • openclaw message send --media <path-or-url> [--message <caption>]
    • --media 可选；标题可以为空以仅发送媒体。
    • --dry-run 打印解析后的 payload；--json 发出 { channel, to, messageId, mediaUrl, caption }。

WhatsApp Web 频道行为

  • 输入：本地文件路径 或 HTTP(S) URL。
  • 流程：加载到 Buffer，检测媒体类型，并构建正确的 payload：
    • 图像： 重新调整为 JPEG（最大边 2048px），目标是 agents.defaults.mediaMaxMb（默认 5 MB），上限 6 MB。
    • 音频/语音/视频： 直通最高 16 MB；音频作为语音消息发送（ptt: true）。
    • 文档： 其他任何内容，最高 100 MB，保留文件名（如果有）。
  • WhatsApp GIF 风格播放：发送带 gifPlayback: true 的 MP4（CLI：--gif-playback），以便移动客户端内联循环。
  • MIME 检测优先 magic bytes，然后是 headers，然后是文件扩展名。
  • 标题来自 --message 或 reply.text；允许空标题。
  • 日志：非详细显示 ↩️/✅；详细模式包含大小和源路径/URL。

自动回复管道

  • getReplyFromConfig 返回 { text, mediaUrl, mediaUrls? }。
  • 当存在媒体时，web 发送器使用与 openclaw message send 相同的管道解析本地路径或 URL。
  • 如果提供多个媒体条目，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 下载到临时文件并暴露模板变量：
    • {{MediaUrl}} 入站媒体的伪 URL。
    • {{MediaPath}} 运行命令前写入的本地临时路径。
  • 当启用 per-session Docker 沙箱时，入站媒体被复制到沙箱工作空间，MediaPath/MediaUrl 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，并可以将 [Image]、[Audio] 和 [Video] 块插入 Body。
    • 音频设置 {{Transcript}} 并使用转录文本进行命令解析，以便斜杠命令仍然有效。
    • 视频和图像描述保留任何标题文本用于命令解析。
  • 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

出站发送上限（WhatsApp web 发送）

  • 图像：重新压缩后约 6 MB 上限。
  • 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 → 日志中显示清晰错误，跳过回复。

媒体理解上限（转录/描述）

  • 图像默认：10 MB（tools.media.image.maxBytes）。
  • 音频默认：20 MB（tools.media.audio.maxBytes）。
  • 视频默认：50 MB（tools.media.video.maxBytes）。
  • 过大媒体跳过理解，但回复仍使用原始正文发送。

测试注意事项

  • 覆盖图像/音频/文档案例的发送 + 回复流程。
  • 验证图像重新压缩（有大小限制）和音频的语音消息标志。
  • 确保多媒体回复按顺序发送。